每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

评估用于欺诈检测的监督学习模型：对不平衡交易数据的经典和深度架构的比较研究

Created by
  • Haebom

作者

王超、聂传豪、刘云波

大纲

本研究强调了欺诈检测在金融和电子商务等高风险领域的重要性。我们使用一个庞大且不平衡的在线交易数据集，系统地比较和分析了四种监督学习模型的性能：逻辑回归、随机森林、LightGBM 和 GRU 网络。随机森林和 LightGBM 等集成技术在整体和特定类别指标上均表现出色，而逻辑回归则是一个可靠且可解释的基准模型。GRU 模型对少数欺诈交易表现出较高的召回率，但精度较低。评估对每种模型的有效性进行了详细分析，包括加权平均值以及特定类别的精度、召回率和 F1 分数，强调了根据欺诈检测系统的风险承受能力和运营需求选择模型的重要性。

Takeaways, Limitations

•
Takeaways：
◦
我们证明随机森林和 LightGBM 在非平衡数据集的欺诈检测中表现良好。
◦
逻辑回归可以作为具有高度可解释性的基线模型。
◦
GRU 提供了高召回率，但必须考虑降低精度的权衡。
◦
通过特定类别的指标分析，提出了平衡评估模型性能的重要性。
◦
强调构建欺诈检测系统时需要根据风险承受能力和运营需求选择模型。
•
Limitations：
◦
由于结果针对特定数据集，因此将其推广到其他数据集存在局限性。
◦
通过其他算法或超参数调整有可能提高性能。
◦
需要考虑在应用于实际系统时可能出现的其他问题。
👍
Made with Slashpage