Ứng dụng phân lớp dữ liệu mất cân bằng trong phát hiện gian lận thẻ tín dụng tại ngân hàng

• Tác giả: Phan Thị Ngà
• Người hướng dẫn: TS. Nguyễn Hữu Xuân Trường
• Trường học: Học viện Chính sách và Phát triển
• Chuyên ngành: Kinh tế số
• Đề tài: Ứng Dụng Phân Lớp Dữ Liệu Mất Cân Bằng Trong Phát Hiện Hành Vi Gian Lận Thẻ Tín Dụng Của Khách Hàng Tại Ngân Hàng
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM KẾT
• LỜI CẢM ƠN
• DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• LỜI MỞ ĐẦU
• 0.1. Tính cấp thiết của đề tài
• 0.2. Mục đích nghiên cứu
• 0.3. Đối tượng nghiên cứu
• 0.4. Phạm vi nghiên cứu
• 0.5. Phương pháp nghiên cứu
• 0.6. Kết cấu khóa luận
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN VỀ PHÂN LỚP DỮ LIỆU MẤT CÂN BẰNG
• 1.1. Phân lớp dữ liệu
• 1.2. Khái niệm về phân lớp dữ liệu và bài toán phân lớp dữ liệu
• 1.3. Quy trình thực hiện phân lớp dữ liệu
• 1.4. Các độ đo đánh giá mô hình phân lớp dữ liệu
• 1.5. Kết luận chương 1
• 2. CHƯƠNG 2: PHƯƠNG PHÁP PHÂN LỚP DỮ LIỆU MẤT CÂN BẰNG TRONG PHÁT HIỆN GIAN LẬN TÍN DỤNG TẠI NGÂN HÀNG
• 2.1. Vấn đề mất cân bằng dữ liệu trong phát hiện gian lận tại ngân hàng
• 2.2. Tổng quan kỹ thuật xử lý dữ liệu mất cân bằng
• 2.3. Hướng tiếp cận ở mức độ dữ liệu. Phương pháp sinh thêm phần tử (Over – sampling)
• 2.4. Phương pháp loại bỏ phần tử (Under – sampling)
• 2.5. Hướng tiếp cận ở mức độ thuật toán
• 2.6. Sử dụng các chỉ số đánh giá phù hợp
• 2.7. Sử dụng K - fold Cross - Validation đúng cách
• 2.8. Tập hợp các tập dữ liệu được lấy mẫu khác nhau
• 2.9. Lấy mẫu với các tỷ lệ khác nhau
• 2.10. Kết luận chương 2
• 3. CHƯƠNG 3: ỨNG DỤNG VÀ THỰC NGHIỆM
• 3.1. Tiêu chí đánh giá
• 3.2. Ma trận nhầm lẫn (Confusion Matrix)
• 3.3. Phương pháp thực hiện
• 3.4. Thực nghiệm và đánh giá
• 3.5. Dữ liệu Credit Card Fraud Detection
• 3.6. Dữ liệu Default of credit card clients
• 3.7. Dữ liệu German Credit Data
• 3.8. Kết luận chương 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phát hiện gian lận thẻ tín dụng và phân lớp dữ liệu mất cân bằng

Phát hiện gian lận thẻ tín dụng là một trong những thách thức lớn trong lĩnh vực tài chính hiện đại. Với sự gia tăng của các giao dịch trực tuyến, việc bảo vệ thông tin thẻ tín dụng trở nên cấp thiết hơn bao giờ hết. Phân lớp dữ liệu mất cân bằng là một phương pháp hữu hiệu trong việc phát hiện các hành vi gian lận này. Dữ liệu mất cân bằng thường xảy ra khi số lượng giao dịch gian lận rất ít so với giao dịch hợp lệ, dẫn đến khó khăn trong việc xây dựng mô hình chính xác.

1.1. Khái niệm về gian lận thẻ tín dụng và dữ liệu mất cân bằng

Gian lận thẻ tín dụng là hành vi sử dụng thông tin thẻ tín dụng mà không có sự đồng ý của chủ thẻ. Dữ liệu mất cân bằng xảy ra khi số lượng giao dịch gian lận rất ít so với giao dịch hợp lệ, gây khó khăn cho việc phát hiện.

1.2. Tầm quan trọng của phát hiện gian lận trong ngân hàng

Phát hiện gian lận không chỉ giúp ngân hàng bảo vệ tài sản của khách hàng mà còn duy trì uy tín và sự tin tưởng của khách hàng đối với dịch vụ ngân hàng.

II. Vấn đề và thách thức trong phát hiện gian lận thẻ tín dụng

Một trong những thách thức lớn nhất trong việc phát hiện gian lận thẻ tín dụng là sự mất cân bằng trong dữ liệu. Khi số lượng giao dịch gian lận rất ít, các mô hình học máy thường gặp khó khăn trong việc nhận diện các mẫu gian lận. Điều này dẫn đến việc các mô hình có thể đưa ra nhiều dự đoán sai lệch, ảnh hưởng đến hiệu quả của hệ thống phát hiện gian lận.

2.1. Tác động của dữ liệu mất cân bằng đến mô hình học máy

Dữ liệu mất cân bằng có thể dẫn đến việc mô hình học máy thiên lệch, khi mà các giao dịch hợp lệ chiếm ưu thế, làm giảm độ chính xác trong việc phát hiện gian lận.

2.2. Các phương pháp truyền thống và hạn chế của chúng

Các phương pháp truyền thống như hồi quy logistic hay cây quyết định thường không hiệu quả trong việc xử lý dữ liệu mất cân bằng, dẫn đến tỷ lệ phát hiện gian lận thấp.

III. Phương pháp cải thiện phát hiện gian lận thẻ tín dụng bằng phân lớp dữ liệu mất cân bằng

Để cải thiện hiệu quả phát hiện gian lận, nhiều phương pháp đã được đề xuất. Các phương pháp này bao gồm việc sử dụng các kỹ thuật như SMOTE (Synthetic Minority Over-sampling Technique) và Under-sampling để điều chỉnh dữ liệu mất cân bằng. Những phương pháp này giúp tăng cường khả năng phát hiện các giao dịch gian lận mà không làm giảm độ chính xác của mô hình.

3.1. Kỹ thuật SMOTE trong phát hiện gian lận

SMOTE là một kỹ thuật tạo ra các mẫu mới từ các mẫu hiện có của lớp thiểu số, giúp tăng cường số lượng giao dịch gian lận trong tập dữ liệu.

3.2. Phương pháp Under sampling để giảm thiểu dữ liệu dư thừa

Under-sampling là phương pháp loại bỏ một số mẫu từ lớp đa số để cân bằng lại dữ liệu, giúp mô hình học máy tập trung hơn vào các giao dịch gian lận.

IV. Ứng dụng thực tiễn của phân lớp dữ liệu mất cân bằng trong ngân hàng

Việc áp dụng các phương pháp phân lớp dữ liệu mất cân bằng đã mang lại nhiều kết quả khả quan trong việc phát hiện gian lận thẻ tín dụng. Các ngân hàng đã sử dụng các mô hình học máy để phân tích dữ liệu giao dịch và phát hiện các hành vi gian lận một cách hiệu quả hơn. Kết quả cho thấy tỷ lệ phát hiện gian lận đã được cải thiện đáng kể.

4.1. Kết quả nghiên cứu từ các ngân hàng

Nhiều ngân hàng đã áp dụng các mô hình học máy và đạt được tỷ lệ phát hiện gian lận lên đến 95%, giúp giảm thiểu thiệt hại tài chính.

4.2. Các ứng dụng công nghệ trong phát hiện gian lận

Công nghệ như trí tuệ nhân tạo và học sâu đã được áp dụng để phát hiện các mẫu gian lận phức tạp, giúp ngân hàng nâng cao khả năng bảo mật.

V. Kết luận và tương lai của phát hiện gian lận thẻ tín dụng

Phát hiện gian lận thẻ tín dụng bằng phân lớp dữ liệu mất cân bằng là một lĩnh vực đang phát triển mạnh mẽ. Với sự tiến bộ của công nghệ và các phương pháp học máy, khả năng phát hiện gian lận sẽ ngày càng chính xác hơn. Tương lai của lĩnh vực này hứa hẹn sẽ mang lại nhiều giải pháp hiệu quả hơn cho các ngân hàng và tổ chức tài chính.

5.1. Xu hướng phát triển trong công nghệ phát hiện gian lận

Các công nghệ mới như blockchain và học sâu sẽ tiếp tục được nghiên cứu và áp dụng để cải thiện khả năng phát hiện gian lận.

5.2. Tầm quan trọng của việc nâng cao nhận thức về gian lận

Nâng cao nhận thức của khách hàng về gian lận thẻ tín dụng cũng là một yếu tố quan trọng trong việc giảm thiểu rủi ro và bảo vệ thông tin cá nhân.