Kredi Kartı Dolandırıcılığında Rastgele Orman Algoritması Modelinin Uygulanması

Abstract

Bu çalışmada, kredi kartı dolandırıcılığını erken tespit etmek amacıyla Rastgele Orman algoritmasının performansını artırmak için Grid Arama, Random Arama ve Bayesian Optimzasyon olmak üzere üç farklı hiperparametre optimizasyon yöntemi karşılaştırılmıştır. Veri dengelenmeden kullanılan gerçek işlem verileriyle yapılan deneylerde, Bayesian Optimizasyon %95.27 doğruluk ve 0.87 F1-Score ile en başarılı sonuçları vermiştir. Grid ve Random Arama yöntemleri de tatmin edici sonuçlar sunmakla birlikte, Bayesian Optimizasyon özellikle sınıf dengesizliği problemini aşmada daha etkili olmuştur. Çalışmanın ilerleyen aşamasında, veri dengesizliğini gidermek için SMOTE yöntemi uygulanmış ve bu sayede modellerin dolandırıcılık tespit oranlarında belirgin iyileşmeler sağlanmıştır. Elde edilen bulgular, hiperparametre ayarlarının model başarısı üzerindeki etkisini ve veri artırma tekniklerinin katkısını ortaya koymakta; doğru optimizasyon stratejilerinin sahtecilik tespit sistemlerinin etkinliği açısından büyük önem taşıdığını vurgulamaktadır.

Keywords

• Kredi kartı dolandırıcılığı
• Rastgele Orman
• Hiperparametre optimizasyonu

APPLICATOIN OF RANDOM FOREST MODEL IN CREDIT CARD FRAUD DETECTION

Abstract

In this study, three different hyperparameter optimization methods—Grid Search, Random Search, and Bayesian Optimization—were compared to enhance the performance of the Random Forest algorithm for early detection of credit card fraud. Experiments were conducted using real transaction data without applying any data balancing techniques, and Bayesian Optimization delivered the best results with 95.27% accuracy and an F1-Score of 0.87. While Grid Search and Random Search also yielded satisfactory outcomes, Bayesian Optimization proved to be more effective, particularly in addressing the class imbalance problem. In a later stage of the study, the SMOTE technique was applied to mitigate data imbalance, resulting in significant improvements in fraud detection rates across all models. The findings highlight the impact of hyperparameter tuning on model performance and demonstrate the added value of data augmentation techniques. Overall, the study emphasizes the critical importance of selecting the right optimization strategies to develop effective fraud detection systems.

Keywords

• Credit card fraud
• Random Forest
• Hyperparameter optimization

References

1. Altan, G., & Zafer, M. R. (2024). Denetimli makine öğrenmesi yöntemleri ile kredi kartı sahteciliğini tahmin etme: Karşılaştırmalı analiz. İktisat Politikası Araştırmaları Dergisi, 11(2), 242–262.
2. Altındağ, İ., & Akay, Ö. (2022). Kredi kartı harcamalarının makine öğrenme yöntemleri ile tahmin edilmesi. Ekonomi ve Finans Alanında Güncel Akademik Çalışmalar, Gazi Kitabevi, 39–54.
3. Aslan, A. (2023). Makine öğrenmesi algoritmalarını kullanarak kredi kartı dolandırıcılığının tespiti (Yüksek lisans tezi, İzmir Kâtip Çelebi Üniversitesi).
4. Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281–305.
5. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
6. Ekrem, Ö., Salman, O. K. M., Aksoy, B., & İnan, S. A. (2020). Yapay zekâ yöntemleri kullanılarak kalp hastalığının tespiti. Mühendislik Bilimleri ve Tasarım Dergisi, 8(5), 241–254.
7. Gülbandılar, E., Çavşı Zaim, H., & Yolaçan, E. N. (2021). Banka ödemelerinde dolandırıcılığın çizge madenciliği ve makine öğrenimi algoritmalarıyla tespiti. DÜMF Mühendislik Dergisi, 12(4), 615–625.
8. Lemaître, G., Nogueira, F., & Aridas, C. K. (2017). Imbalanced-learn: A Python toolbox to tackle the curse of imbalanced datasets in machine learning. Journal of Machine Learning Research, 18(17), 1–5.

9. MLG-ULB. (2015). Credit card fraud detection. Kaggle. https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud
10. Selimoğlu, M., & Yılmaz, A. (2021). Kredi kartı dolandırıcılık tespitinin makine öğrenmesi yöntemleri ile tahmin edilmesi. Beykent Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 13(2), 28–33.
11. Snoek, J., Larochelle, H., & Adams, R. P. (2012). Practical Bayesian optimization of machine learning algorithms. Advances in Neural Information Processing Systems, 25, 2951–2959.