Mức độ hiệu quả của các mô hình học máy tree-based trong phát hiện giao dịch gian lận thẻ tín dụng

Bài viết này đánh giá hiệu quả của các mô hình học máy dựa trên cây (Decision Tree, Random Forest, GBM, XGBoost) trong việc dự đoán gian lận thẻ tín dụng. Nghiên cứu sử dụng bộ dữ liệu lớn gồm 568,630 giao dịch thẻ tín dụng, với các thuộc tính đã được xử lý bằng PCA để bảo vệ thông tin cá nhân. Các chỉ số đánh giá như độ chính xác, độ nhạy, precision và F1 score được sử dụng để so sánh hiệu quả của các mô hình.

Nghiên cứu này cung cấp thông tin chi tiết về hiệu suất của các mô hình học máy dựa trên cây, giúp các tổ chức tài chính hiểu rõ hơn và lựa chọn phương pháp phù hợp để phát hiện gian lận thẻ tín dụng.

Nghiên cứu đánh giá và so sánh hiệu quả của các mô hình học máy dựa trên cây (Tree-based) trong việc dự báo gian lận thẻ tín dụng, bao gồm Decision Tree, Random Forest, Gradient Boosting Machines (GBM) và Extreme Gradient Boosting (XGBoost). Dữ liệu sử dụng gồm 568,630 giao dịch thẻ tín dụng với các thuộc tính V1-V28 đã được biến đổi qua PCA. Kết quả cho thấy Random Forest và XGBoost có hiệu suất ấn tượng, đặc biệt Random Forest vượt trội trong việc giảm thiểu báo động giả và phát hiện chính xác gian lận. Nghiên cứu cũng thảo luận về những hạn chế và tiềm năng ứng dụng của các mô hình học máy trong phát hiện gian lận thẻ tín dụng.

Phân tích sâu hơn cho thấy Random Forest đạt độ chính xác tổng thể cao nhất (99.985%) và khả năng giảm báo động giả tốt nhất. XGBoost cũng cho thấy hiệu suất cao, gần tương đương với Random Forest. GBM cung cấp sự cân bằng tốt giữa hiệu quả và chi phí, trong khi Decision Tree mang lại giải pháp đơn giản và nhanh chóng.

Nghiên cứu chỉ ra rằng thuộc tính V14 có tầm quan trọng lớn nhất trong việc phát hiện gian lận, tiếp theo là V10, V4 và V12. Các thuộc tính như V24, V22 và Amount có ít ảnh hưởng đến khả năng phát hiện gian lận.

Kết luận, Random Forest là mô hình hiệu quả nhất trong việc phát hiện gian lận thẻ tín dụng, nhờ khả năng xử lý dữ liệu lớn và giảm thiểu báo động giả.