본 연구는 기존 기계학습 모델의 예측 정확도 우선 접근 방식의 한계를 극복하고자, XGBoost, LightGBM, CatBoost 기반 스태킹 앙상블 모델을 제시하는 사기 탐지 프레임워크를 제안합니다. 모델의 투명성과 해석성을 높이기 위해 SHAP, LIME, PDP, PFI와 같은 XAI 기법을 활용하여 특징 선택 및 예측 설명을 수행합니다. IEEE-CIS 사기 탐지 데이터셋을 이용한 실험 결과, 99%의 정확도와 0.99의 AUC-ROC 점수를 달성하여 기존 연구들을 능가하는 성능을 보였습니다. 이는 높은 예측 정확도와 투명한 해석성을 동시에 달성하여, 금융 사기 탐지 분야에서 윤리적이고 신뢰할 수 있는 솔루션을 제공할 수 있음을 시사합니다.
