组合分类器在信用卡欺诈检测领域的应用

摘要

信用卡欺诈是指故意使用伪造他人信用卡，盗刷他人信用卡用于本人消费，或用信用卡进行套现的违法行为。信用卡业务是银行的主营业务之一，近年来已经成为重要的利润增长点，是国外金融业一致认同的具有较大潜力的中间业务。85年我国第一张信用开由中国银行发行，二十一世纪信用卡业务量发展迅速，总发行量持续上涨。目前，我国银行借记卡发行与信用卡发行量的比例约为9∶1。随着信用卡的广泛使用，盗刷信用卡的违法行为数量也呈现持续上升的趋势。盗刷信用卡行为给发行银行和正常持有信用卡的消费者造成较大的经济损失、时间损失和社会信誉损失。我国信用卡发行机构正在日渐重视信用卡欺诈问题且较大对盗刷信用卡交易记录的管理监控力度，力图减小消费者和商家的经济损失，及时防范盗刷信用卡的行为，有效控制信用卡欺诈违法犯罪行为的发生率。　　随着信用卡的普及,各类型的信用卡盗刷欺诈行为也随之而来,为了帮助信用卡用户减少损失、帮助信用卡发卡机构识别信用卡盗刷欺诈行为，本文尝试利用数据挖掘中的逻辑回归分类方法与自适应增强算法结合，通过已收集到的信用卡交易数据集,试图从新角度建立一个分类模型来更加准确、及时地将盗刷信用卡消费记录和正常信用卡刷卡记录区分开来，从而为相关的信用卡欺诈防范和个人金融风险控制提供技术支持。　　本文尝试从Kaggle数据库中获取信用卡刷卡交易数据，同时使用SMOTE算法处理数据不平衡问题，之后将刷卡交易数据样本划分为训练集和测试集，通过Adaboost算法训练组合分类器，将组合分类器分类效果与传统逻辑回归分类效果对比，最后得出结论为组合分类器分类有不明显的略微提高，表明组合分类器分类效果优于传统的逻辑回归分类方法。

目录

1 绪 论

1.1.1问题的提出

1.1.2 研究的意义

1.2国内外研究现状

1.3.1课题研究的目的

1.3.2课题研究的内容

1.4论文章节安排

1.5本章小结

2 处理不平衡数据的基本理论

2.1处理不平衡数据的基本思路

2.1.1数据采样处理阶段

2.1.2特征选择阶段

2.1.3分类算法阶段

2.2.1 SMOTE算法的基础知识

2.2.2 SMOTE算法的缺陷与改进

3 部分机器学习分类算法介绍

3.1机器学习的学习方式

3.1.1监督学习

3.1.2无监督学习

3.1.3半监督学习

3.1.4 强化学习

3.2 决策树算法

3.2.1决策树算法的基础知识

3.2.2 ID3决策树的推导与算法

3.2.3 C45决策树的推导与算法

3.2.4决策树剪枝的基础知识

3.3.1逻辑回归的基本知识

3.3.2逻辑回归的计算

3.4.1 Adaboost算法的基本知识

3.4.2 Adaboost算法的步骤

4 分类效果的评价指标与理论

4.1评价分类算法的各种指标

4.2二维混淆矩阵的理论与算法

4.3.1 ROC曲线的基本知识

4.3.2 ROC曲线的绘制方法

4.3.3 AUC值的含义

4.4宏平均与微平均的基本原理

5 实例分析

5.1数据解析与数据预处理

5.2特征选择

5.3处理样本不平衡问题

5.4训练组合分类器，并进行评价

6 结 论

参考文献

附录

A.学位论文数据集

致谢

声明