| Abstract |
Krāpšana ir jebkāda veida maldinoša attieksme, kuras mērķis ir nelikumīgi gūt labumu no tās izdarītāja vai atņemt cietušajam no tiesībām. Nozarē pastāv vairāku veidu krāpnieciskas darbības (pazīstamas arī kā ļaunprātīgas darbības), tostarp nodokļu, kredītkaršu, drošības un pārskaitījumu. Ļaunprātīgu attieksmi var izdarīt fiziska vai juridiska persona. Ļaunprātīgie aktieri parasti zina informāciju, kuras iecerētais upuris nezina, un tas ļauj viņiem maldināt upuri. Īsi sakot, ļaunprātīgi dalībnieki izmanto informācijas neatbilstību vai faktu, ka šādas informācijas pārskatīšanas un apstiprināšanas resursu izmaksas var būt pārāk augstas, lai pilnībā ieguldītu krāpnieciskās darbībās.
Krāpšana ar kredītkarti ietver jebkāda veida nelikumīgas darbības, tostarp maksājumu karti. Piemēram, ļaunprātīgu dalībnieku mērķis ir iegādāties preces vai pakalpojumus, veikt maksājumu uz kontrolētu kontu, ko veic ļaunprātīgi dalībnieki vai izmantojot atvērtu finanšu kontu bez galalietotāja atļaujas, ir iespējamas ļaunprātīgas darbības metodes. Ienākot iekšā, ļaunprātīgs aktieris iekasē maksu un nosūta rēķinu jums un jūsu kredītkaršu uzņēmumam. Galu galā krāpšana ar kredītkarti galalietotājiem un finanšu pakalpojumu sniedzējiem izmaksā milzīgi, un ļaundaris vienmēr meklē jaunus veidus, kā veikt ļaunprātīgas saistības.
Šī maģistra darba mērķis ir atdalīt krāpnieciskas darījumu darbības ar mašīnmācīšanās mehānismiem, ko atbalsta Principal Component Analysis (PCA) algoritms, kas sastāv tikai no skaitliskām vērtībām, lai saglabātu kredītkaršu darījumu konfidenciālus datus. Lai uzsvērtu pētījuma autentiskumu, PCA konvertētie darījumi tiek pievienoti ar nejaušiem datiem.
Lietojot mašīnmācīšanās (ML) algoritmus, kuru pamatā ir vilciena testa sadalīšanas metode, dati tiek apmācīti, lai tos saprastu, izmantojot paredzamos modeļus, un novērtētu pēc testa fāzes. Rezultātus, kas attiecas uz krāpnieciskiem vai likumīgiem, parāda veiktspējas vērtētāji, tostarp precizitāte, F1 rezultāts un apjukums. |
