声明
第 1 章 绪论
1.1 研究背景
1.1.1 信用卡行业发展现状
1.1.2 信用卡欺诈的传统解决方案
1.1.2 传统解决方案不足之处
1.2 研究内容、思路及方法
1.2.1 研究内容
1.2.2 研究思路
1.2.3 研究方法
1.3 本研究创新点
1.4 研究意义
1.4.1 理论意义
1.4.2 实践意义
1.5 本文结构
第 2 章 文献综述
2.1 本领域研究现状
2.1.1 机器学习分类模型
2.1.2 神经网络
2.1.3 集成学习
2.1.4 多种方法融合
2.1.5 离群值检测方法的应用现状
2.2 文献评述
第 3 章 构建模型介绍
3.1 采样(Sampling)
3.2 支持向量机(SVM)
3.3 XGBoost(极限梯度提升树)
3.4 离群值检测
3.5评价标准
第 4 章 实验分析
4.1 数据描述及数据预处理
4.2 对照实验
4.3 新模型SMOTE-XGBoost
4.3 新模型DBSCAN-XGBoost
第 5 章 总结与展望
5.1 本研究主要贡献
(1)解决数据不均衡问题
(2)离群值检测方法应用范围拓展
(3)新式欺诈检测模型的现实应用前景
5.2研究中存在的不足之处
(1)模型的计算复杂度
(2)实际应用中较高的复核成本
致谢
参考文献
个人简历 在读期间发表的学术论文与研究成果
对外经济贸易大学;