Detailansicht
Bank fraud prediction using machine learning
Tomáš Tax
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Banking and Finance
Betreuer*in
Christian Westheide
DOI
10.25365/thesis.74897
URN
urn:nbn:at:at-ubw:1-23156.40181.151036-4
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Machine Learning ist der wichtigste Ansatz zur Erkennung von Finanzbetrug. Datensätze zur Betrugserkennung bringen jedoch in der Regel mehrere Herausforderungen mit sich, darunter ein hohes Ungleichgewicht zwischen den Klassen ("High Class Imbalance"), eine problematische Modellbewertung und eine begrenzte Interpretierbarkeit. Der in dieser Arbeit untersuchte neuartige Datensatz zum Bankkontobetrug ist keine Ausnahme. In dieser Arbeit werden Random Oversampling, Synthetic Minority Oversampling (SMOTE), Random Undersampling und Cost-sensitive Learning als mögliche Lösungen für das High-Imbalance-Problem empirisch untersucht und dabei vier Machine-Learning Klassifizierungsalgorithmen trainiert. Unsere Ergebnisse zeigen, dass Random Undersampling das beste Verfahren zur Behandlung von High-Imbalance ist und dass die logistische Regression zusammen mit dem Extreme Gradient Boosting Klassifizierer das beste Modell in Hinblick auf eine vorgeschlagene Evaluierungsmetrik ist. Abschließend werden SHapley Additive exPlanations (SHAP) und Local Interpretable Model-agnostic Explanations (LIME) als mögliche Lösungen zur Erklärung von Black-Box-Modellen erläutert.
Abstract
(Englisch)
Machine learning is the main approach to financial fraud detection. Fraud datasets, however, typically bring several challenges, including a high class imbalance, problematic model evaluation, and limited interpretability. The novel Bank Account Fraud dataset examined in this thesis is no different. This thesis empirically examines Random Oversampling, Synthetic Minority Oversampling (SMOTE), Random Undersampling, and Cost-sensitive Learning as possible solutions to the high-imbalance problem training four machine learning classification algorithms in the process. Our results show Random Undersampling as the best-performing imbalance-handling technique and Logistic Regression together with Extreme Gradient Boosting Classifier as the best-performing model in terms of a proposed evaluation metric. Lastly, SHapley Additive exPlanations (SHAP) and Local Interpretable Model-agnostic Explanations (LIME) frameworks are discussed as a possible solution to explaining black-box models.
Schlagwörter
Schlagwörter
(Deutsch)
Finanzbetrug Machine Learning High-Imbalance-Problem random Undersampling random Oversampling Synthetic Minority Oversampling SMOTE SHapley Additive exPlanations SHAP Local Interpretable Model-agnostic Explanations LIME
Schlagwörter
(Englisch)
bank fraud machine learning class imbalance random undersampling random oversampling Synthetic Minority Oversampling SMOTE SHapley Additive exPlanations SHAP Local Interpretable Model-agnostic Explanations LIME
Autor*innen
Tomáš Tax
Haupttitel (Englisch)
Bank fraud prediction using machine learning
Paralleltitel (Deutsch)
Finanzbetrug Vorhersage mit Machine Learning
Publikationsjahr
2023
Umfangsangabe
vi, 69 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Christian Westheide
Klassifikation
83 Volkswirtschaft > 83.52 Finanzwissenschaft
AC Nummer
AC17019760
Utheses ID
69385
Studienkennzahl
UA | 066 | 974 | |