| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Kredītkaršu krāpšanas atklāšanas uzlabošana, izmantojot mašīnmācīšanās modeļus |
| Nosaukums angļu valodā |
Improving Credit Card Fraud Detection Using Machine Learning Models |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ilze Andersone |
| Recenzents |
Daniels Gorovojs |
| Anotācija |
Šajā bakalaura darbā tiek piedāvāts uz mašīnmācīšanos balstīts risinājums krāpniecisku finanšu darījumu identificēšanai, izmantojot IEEE-CIS krāpšanas noteikšanas datu kopu. Ņemot vērā izteikti nesabalansēto darījumu datu sadalījumu, standarta modeļi parasti nespēj efektīvi noteikt krāpnieciskus darījumus un vienlaikus saglabāt augstu veiktspēju. Lai risinātu šo problēmu, pētījumā tika veikta datu priekšapstrāde, pazīmju izveide, kā arī klašu disbalansa mazināšana, izmantojot klašu svarus un disbalansam pielāgotus novērtēšanas rādītājus. Tika izstrādātas svarīgas pazīmes, piemēram, darījumu modeļi, laika rakstura aktivitātes un lietotājam specifiski rādītāji, kas palīdzēja identificēt slēptos krāpšanas modeļus.
Eksperimentālajā daļā tika pārbaudīti vairāki mašīnmācīšanās modeļi, tostarp Logistic Regression, Decision Tree, Random Forest un Gradient Boosting. Pamatojoties uz iegūtajiem rezultātiem, tika izstrādāts jauns hibrīdmodelis, kas apvieno Random Forest un Decision Tree pieejas, izmantojot sliekšņos balstītu lēmumu pieņemšanas loģiku. Šis modelis izmanto abu algoritmu priekšrocības, lai uzlabotu klasifikācijas veiktspēju. Piedāvātais uzlabotais hibrīdmodelis sasniedza vislabāk sabalansēto krāpšanas noteikšanas rezultātu ar precizitāti 0,69, atsaukumu 0,47 un F1-rādītāju 0,56 krāpšanas klasei, pārspējot Logistic Regression (0,07) un Decision Tree (0,15) pēc krāpšanas klases F1-rādītāja.
Lai pierādītu piedāvātā risinājuma praktisko pielietojamību, tika izstrādāts arī prototips, kas simulē interaktīvu krāpšanas prognozēšanas sistēmu. Pētījuma rezultāti apliecina, ka hibrīdpieeja var uzlabot krāpšanas noteikšanas kvalitāti un nodrošināt praktiski izmantojamu risinājumu finanšu sektorā. |
| Atslēgas vārdi |
Atslēgvārdi: krāpšanas noteikšana, mašīnmācīšanās, finanšu darījumi, IEEE-CIS datu kopa, hibrīdmodelis, Random Forest, Decision Tree. |
| Atslēgas vārdi angļu valodā |
Keywords: Fraud Detection, Machine Learning, Financial Transactions, IEEE-CIS dataset, Hybrid Model, Random Forest, Decision Tree. |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 23:47:00 |
