[논문 리뷰] Credit Card Fraud Detection Using Enhanced Random Forest Classifier for Imbalanced Data

AlsharifHasan Mohamad Aburbeian, Huthaifa I. Ashqar|arXiv (Cornell University)|2023. 03. 11.

Imbalanced Data Classification Techniques인용 수 5

한 줄 요약

이 논문은 신용카드 사기 탐지에서 클래스 불균형 문제를 해결하기 위해 SMOTE 오버샘플링과 하이퍼파rameter 튜닝을 통합한 개선된 랜덤 포레스트(RF) 분류기를 제안한다. 실제 거래 데이터셋을 사용하여 모델은 98%의 정확도와 98%의 F1 스코어를 달성하였으며, 낮은 복잡성으로도 불균형 데이터에서 뛰어난 성능을 보여주었다.

ABSTRACT

The credit card has become the most popular payment method for both online and offline transactions. The necessity to create a fraud detection algorithm to precisely identify and stop fraudulent activity arises as a result of both the development of technology and the rise in fraud cases. This paper implements the random forest (RF) algorithm to solve the issue in the hand. A dataset of credit card transactions was used in this study. The main problem when dealing with credit card fraud detection is the imbalanced dataset in which most of the transaction are non-fraud ones. To overcome the problem of the imbalanced dataset, the synthetic minority over-sampling technique (SMOTE) was used. Implementing the hyperparameters technique to enhance the performance of the random forest classifier. The results showed that the RF classifier gained an accuracy of 98% and about 98% of F1-score value, which is promising. We also believe that our model is relatively easy to apply and can overcome the issue of imbalanced data for fraud detection applications.

연구 동기 및 목표

• 사기 거래가 정상 거래에 비해 흔하지 않은 것과 같은 클래스 불균형 문제를 해결하기 위해.
• 데이터 수준 및 알고리즘 기법을 활용하여 불균형한 거래 데이터에서 랜덤 포레스트 분류기의 성능을 향상시키기 위해.
• 기울어진 클래스 분포에도 불구하고 높은 정밀도와 재현율을 유지할 수 있는 실용적이고 효과적인 사기 탐지 모델을 개발하기 위해.
• SMOTE와 하이퍼파rameter 튜닝이 모델 일반화 능력과 탐지 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 연구는 매우 불균형한 클래스 분포를 가진 실제 신용카드 거래 데이터셋을 사용한다.
• 소수 클래스(사기)에 대한 합성 예측을 생성하기 위해 합성 소수 과잉 샘플링 기법(SMOTE)을 적용하여 데이터셋을 균형 잡는다.
• 일반화 능력 향상과 과적합 감소를 위해 최적화된 하이퍼파rameter를 사용하여 개선된 랜덤 포레스트 분류기를 훈련시킨다.
• 정확도와 F1 스코어를 사용하여 모델 성능을 평가하며, 불균형 설정에서 정밀도와 재현율의 균형을 고려해 F1 스코어에 중점을 둔다.
• 모델 성능을 극대화하기 위해 그리드 서치 또는 유사한 방법을 사용하여 하이퍼파rameter 튜닝을 수행한다.
• 최종 모델은 검증 세트를 통해 검증되어 새로운 데이터에 대한 강건성과 일반화 능력을 확보한다.

실험 결과

연구 질문

• RQ1 SMOTE 기반 데이터 오버샘플링은 불균형 데이터셋에서 랜덤 포레스트 분류기의 신용카드 사기 탐지 성능에 어떤 영향을 미치는가?
• RQ2 사기 탐지에서 F1 스코어를 극대화하기 위해 랜덤 포레스트 모델의 최적 하이퍼파ram터 조합은 무엇인가?
• RQ3 개선된 랜덤 포레스트 모델은 계산 효율성이 높고 쉽게 구현 가능하면서도 높은 정확도와 F1 스코어를 달성할 수 있는가?
• RQ4 SMOTE와 하이퍼파rameter 튜닝의 조합은 희귀한 사기 거래 탐지에 얼마나 기여하는가?

주요 결과

• 개선된 랜덤 포레스트 분류기는 불균형한 신용카드 거래 데이터셋에서 테스트 정확도 98%를 달성하였다.
• 모델은 F1 스코어 98%를 기록하여 사기 탐지에서 정밀도와 재현율 간의 강력한 균형을 보였다.
• SMOTE는 소수 클래스(사기 거래)의 표현을 증가시켜 클래스 불균형 문제를 효과적으로 완화하였다.
• 하이퍼파rameter 튜닝은 특히 거짓 음성 수를 줄이는 데 있어 모델 성능을 크게 향상시켰다.
• 모델는 새로운 데이터에 대해서도 강건성과 일반화 능력을 보였으며, 실용적인 구현 가능성을 시사하였다.
• 이 방법은 계산적으로 효율적이며 쉽게 구현할 수 있어 실시간 사기 탐지 시스템에 적합하다.