摘要
旨在探讨和验证一种基于集成学习的信用卡欺诈检测模型,以提高识别欺诈交易的准确性。分析了信用卡欺诈的背景,回顾了现有的关键技术和方法,在此基础上,采用硬投票策略,将决策树、逻辑回归和朴素贝叶斯分类器三种不同的机器学习模型集成在一起,形成一个强大的集成模型。通过实验验证,该集成模型实现了高达99%的准确性,相较于单一模型至少提高了3.22%的准确性。这种显著的准确性提升归因于模型间的互补性和集成学习的稳健性。不仅为信用卡欺诈检测提供了一种高效的方法,也为其他金融欺诈检测问题提供了有价值的参考。
基金
博士基金研究项目“基于大数据技术的电信用户行为序列化分析在欺诈识别中的应用研究”(项目编号:2023BSJJ16)。
