ارائه یک روش بهینه جهت بهبود کشف تقلب های کارت اعتباری در سیستم بانکداری الکترونیک با استفاده از ترکیب رویکردهای داده کاوی

ارائه یک روش بهینه جهت بهبود کشف تقلب های کارت اعتباری در سیستم بانکداری الکترونیک با استفاده از ترکیب رویکردهای داده کاوی

آکادمی داده

۱۳۹۷/۰۵/۱۲


  • 48 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد. 

 

با توجه به شبیه سازی های انجام شده در زمینه کشف تقلب کارت های اعتباری در سیستم های بانکداری الکترونیک با استفاده از زبان برنامه نویسی #C و نرم افزارهای داده کاوی Weka , Rapidminer دریافتیم که استفاده از قوانین وابستگی در الگوریتم های دسته بندی مثل KNN می توان بهبود قابل توجهی در دقت دسته بندی ایجاد نماید. همچنین ترکیب تکنیک های خوشه بندی K - Means با تعداد Kهای بهینه و قوانین انجمنی نقش بسیار مهمی در کشف تقلب داشته است. لذا دقت الگوریتم پیشنهادی به منظور کشف تقلب در دیتاهای بانکدارای الکترونیک، نسبت به روش معمول بسیار مناسب بوده است. بنابراین در این مقاله یک روش جدید دسته بندی تلفیقی با خوشه بندی و قوانین انجمنی مبتنی بر قوانین وابستگی به منظور افزایش دقت کشف تقلب در سیستم های بانکداری الکترونیک ارائه شده است. در نهایت نیز مشاهده گردید که دقت روش پیشنهادی نسبت به روش معمولی در حدود  ۱٫۱۰۸ ٪ ، صحت روش پیشنهادی به طور میانگین نسبت به الگوریتم KNN معمولی در حدوود ۱٫۱۰۳٪ و میزان فراخوانی روش پیشنهادی در مقایسه با الگوریتم KNN معمولی در حدود ۰٫۹۹ ٪ بهبود داشته است. با توجه به اینکه در مقاله از تکنیک های دسته بندی مثل الگوریتم KNN، خوشه بندی مثل الگوریتم k - means و همچنین الگوریتم قوانین انجمنی همانند الگوریتم apriori به صورت ترکیبی جهت کشف تقلبهای کارت اعتباری استفاده شده است؛ اما در برخی موارد درصدهای خطا نیز مشاهده می گردد که این امر در سیستم بانکداری نیز مهم بوده و نیازمند حداکثر دقت در کشف تقلبهای بانکداری می باشد. بنابراین به عنوان پیشنهادی برای کارهای آینده و همچنین توسعه این مقاله میتوان از سایر تکنیکهای خوشه بندی از جمله خوشه بندی سلسله مراتبی، خوشه بندی مبتنی بر چگالی و غیره به منظور خوشه بندی اولیه داده ها استفاده نمود. همچنین جهت تشخیص تقلبهای بانکی از روش های محبوبی مثل شبکه عصبی، ماشین بردار پشتیبان، تکنیکهای Boosting و Bagging به جای الگوریتم توسعه یافته KNN استفاده شده و نتایج نیز با یافته های این تحقیق مورد مقایسه و ارزیابی قرار گیرد.

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر به دنبال مجموعه مقالات فارسی در موضوعات مختلف هستید به لینک مراجعه بفرمایید. در این لینک مجموعه مقالات فارسی در حوزه های مختلف داده کاوی و متن کاوی ارائه شده است.

کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.