ارائه یک چارچوب انتخاب ویژگی ۱ در تشخیص تقلبات مالی از طریق به کارگیری روشهای تفسیرپذیر

تقلب در دادههای مالی یک نگرانی جدی برای سازمانهای تجاری و افراد است . با ظهور تجارت الکترونیک در دهه گذشته ، استفاده از کارتهای اعتباری به طور چشمگیری افزایش یافته است . کشف مناسب تقلب به بازرسان اجازه می دهد اقدامات به موقع انجام دهند و از خسارات مالی بیش تر جلوگیری کنند. در سالهای اخیر روشهای مختلفی برای شناسایی تقلب در دادههای مالی پیشنهاد شدهاست . از مراحل اصلی در فرایند کشف تقلب ، مرحله انتخاب ویژگی ها است که تاثیر مهمی بر دقت و زمان اجرای مدلها دارد. در این مقاله ، ما از طریق ترکیب الگویتم ANoVA۲ با الگوریتم های تفسیرپذیر SHAP۳ و LIME۴ یک چارچوب انتخاب ویژگی به نام ANOLISH۵ ارائه می دهیم . نتایج ارزیابی چارچوب ANOLISH نشان می دهد، ترکیب الگوریتم های تفسیرپذیر با ANOVA، ضمن تاثیر مثبت بر مرحله انتخاب ویژگی ها، به طور میانگین باعث افزایش دقت مدلها براساس معیارهای درستی ۶ +)۵/۶)، فراخوانی ۷ +)۵/۱)، معیار F ۸ +)۵/۳) و AUC ۹ +)۷۵/۶) شده و در مقایسه با سایر الگوریتم های انتخاب ویژگی بهترین عملکرد را به ارمغان می آورد.

Keywords:

کشف تقلب , یادگیری ماشین , انتخاب ویژگی ها , یادگیری گروهی , تفسیرپذیری , داده کاوی