Detektera mera! : Maskininlärningsmetoder mot kreditkortsbedrägerier

Sammanfattning: I denna kandidatuppsats undersöks och utvärderas maskininlärningsmetoder för bedrägeridetektering inom kreditkortsbedrägerier med syfte att identifiera problemområden och ange förbättringar. Trots utvecklingen och framfarten av artificiell intelligens (AI), finns det fortfarande problem med att framgångsrikt klassificera kreditkortsbedrägerier. I arbetet utförs en litteraturstudie för att identifiera aktuella maskininlärningsmetoder och utmaningar. Därefter görs ett experiment för att utvärdera dessa metoder och föreslå förbättringar. Resultatmässigt kan man se att de aktuella maskininlärningsmetoderna är en blandning av nyare och äldre metoder som Deep Neural Networks, Logistisk Regression, Naive Bayes, Random Forest, Decision Tree och Multi-Layer Perceptron. Dessa utvärderas oftast med prestationsmått som Accuracy score, F1-Score, Confusion Matrix och Area Under the Curve (AUC). Dagens bedrägeridetektering står främst inför klassificeringsproblem på grund av komplexa, föränderliga och manipulerad data. Genom att utvärdera bedrägeridetektorn med XAI-modeller som SHAP, kan problemområdet vid felklassificering lokaliseras och åtgärdas enklare.