DOLANDIRICILIK TESPİTİ ÜZERİNE MELEZ SINIFLANDIRMA VE REGRESYON AĞACI UYGULAMASI

Veri madenciliği günümüzde ekonomik faaliyetler neticesinden doğan nicel ve nitel verinin karar mekanizmalarında kullanılmak üzere farklı tekniklerle bir araya toplanıp saklı trendlerin ve anlamlı alakaların ortaya konulmasında faal bir biçimde kullanılmaktadır. Finansal illegal işlemlerin tespit edilmesinde yüksek derecede ciddi bir analitik yaklaşım olan veri madenciliği; matematik, istatistik, makine öğrenmesi, örüntü tanıma ve yapay zeka gibi melez tekniklerle geniş veritabanlarından yararlı veriyi elde edip tanımlandırma ve profil oluşturma işlemleri olarak açıklanmaktadır. Bu çalışmada ise finans sektöründe meşru olmayan davranışların saptanmasına yönelik bir sınıflandırma çalışması yapılmıştır. Bu amaç doğrultusunda CART algoritmasını uygulanmış ve daha sonrasında CART algoritması Genetik Algoritma ile optimize edilmiştir. Önerilen GA-CART modeli gayet iyi bir sınıflandırma performansı sergilemiştir.

Anahtar Kelimeler:

CART, sınıflandırma, makine öğrenmesi, dolandırıcılık

PDF

___

Breiman, L. (2017). Classification and regression trees: Routledge.Coşkun, C., & Baykal, A. (2011). Veri madenciliğinde sınıflandırma algoritmalarının bir örnek üzerinde karşılaştırılması. Akademik Bilişim, 2011, 1-8. Dorronsoro, J. R., Ginel, F., Sgnchez, C., & Cruz, C. S. (1997). Neural fraud detection in credit card operations. IEEE transactions on neural networks, 8(4), 827-834. Retrieved from https://repositorio.uam.es/bitstream/handle/10486/663701/neural_dorronsoro_ITNN_1997_ps.pdf?sequence=1Duman, E., & Ozcelik, M. H. (2011). Detecting credit card fraud by genetic algorithm and scatter search. Expert systems with applications, 38(10), 13057-13063. Fawcett, T., & Provost, F. (1997). Adaptive fraud detection. Data mining and knowledge discovery, 1(3), 291-316. Ghosh, S., & Reilly, D. L. (1994). Credit card fraud detection with a neural-network. Paper presented at the System Sciences, 1994. Proceedings of the Twenty-Seventh Hawaii International Conference on System Sciences.Hanagandi, V., Dhar, A., & Buescher, K. (1996). Density-based clustering and radial basis function modeling to generate credit card fraud scores. Paper presented at the IEEE/IAFE 1996 Conference on Computational Intelligence for Financial Engineering (CIFEr).Ma, H., & Li, X. (2009). Application of data mining in preventing credit card fraud. Paper presented at the 2009 International Conference on Management and Service Science.Mahmoudi, N., & Duman, E. (2015). Detecting credit card fraud by modified Fisher discriminant analysis. Expert systems with applications, 42(5), 2510-2516. Nizam, H., & Akın, S. S. (2014). Sosyal medyada makine öğrenmesi ile duygu analizinde dengeli ve dengesiz veri setlerinin performanslarının karşılaştırılması. XIX. Türkiye'de İnternet Konferansı. Quah, J. T., & Sriganesh, M. (2008). Real-time credit card fraud detection using computational intelligence. Expert systems with applications, 35(4), 1721-1732. Srivastava, A., Kundu, A., Sural, S., & Majumdar, A. (2008). Credit card fraud detection using hidden Markov model. IEEE Transactions on dependable and secure computing, 5(1), 37-48. Taklikar, S. H., & Kulkarni, R. (2015). Credit Card Fraud Detection System Based On User Based Model With GA And Artificial Immune System. J. Multidiscip. Eng. Sci. Technol., 2. Whitrow, C., Hand, D. J., Juszczak, P., Weston, D., & Adams, N. M. (2009). Transaction aggregation as a strategy for credit card fraud detection. Data mining and knowledge discovery, 18(1), 30-55. Zeager, M. F., Sridhar, A., Fogal, N., Adams, S., Brown, D. E., & Beling, P. A. (2017). Adversarial learning in credit card fraud detection. Paper presented at the 2017 Systems and Information Engineering Design Symposium (SIEDS).