Análise comparativa entre as abordagens de regressão logística e Random Forest em um modelo de detecção de fraude para transações E-commerce de cartão de crédito. (2019)
- Authors:
- USP affiliated author: ZANI, MATHEUS PRESTES - EP
- School: EP
- Sigla do Departamento: PRO
- Subjects: FRAUDE BANCÁRIA; CARTÃO DE CRÉDITO; TRANSAÇÃO; REGRESSÃO LOGÍSTICA; APRENDIZADO COMPUTACIONAL
- Language: Português
- Abstract: Atualmente, um dos grandes problemas enfrentados no mercado de meios de pagamento está relacionado com as altas perdas financeiras associadas a transações online. Os principais fatores que contribuem com a perda financeira em transações desse tipo estão relacionadas a transações declinadas (recusadas) e com transações fraudulentas. Sabe-se que não há uma maneira totalmente assertiva de se reconhecer se uma transação é fraudulenta ou não, ou se uma transação foi corretamente declinada ou não. Entretanto, existem técnicas que permitem, com alto nível de acurácia, classificar transações como fraude ou não-fraude. Assim, o objetivo do presente trabalho foi desenvolver um método que permita classificar, com maior acurácia, quais transações são fraudulentas e quais não são e, assim, justificar a recusa de transações que sejam identificadas como fraudes em e-commerce – ou seja, transações não legítimas em ambiente online. As transações erroneamente declinadas por fraude (falsos positivos) e erroneamente aceitas sendo que eram fraude (falsos negativos), pelos métodos atualmente utilizados, são os motivos que contribuem para as altas perdas relativas a declínio transacional e a fraude. Assim, o método tem como objetivo classificar, com alta assertividade, qual transação é fraudulenta e qual não é, de modo a prevenir falsos positivos e falsos negativos. Tal análise classificatória é feita com base em variáveis presentes na string de transação de cartão de crédito, a qual contém campos como horário da transação, valor, local, moeda, número do cartão etc. Para tanto, abordagens que utilizam muito bem variáveis como essas são os métodos de aprendizado de máquina. Com essas técnicas, consegue-se aprender a prever padrões com base em dados históricos. No presente trabalho, focou-se nos métodos de aprendizado supervisionado, comparando-se aabordagem de regressão logística à de random forest. Procurou-se, então, verificar qual das duas técnicas apresenta melhor desempenho em um dataset de natureza desbalanceada, como as de transações de cartões de crédito, de modo a servir como base para um modelo de detecção de fraudes. Como resultado, o método random forest foi o que teve melhor desempenho em termos das métricas apresentadas – com uma acurácia de 99,94% (1,72% maior que o método de regressão logística), AUC-ROC de 93,67% e AUC-PR de 84,02%.
- Imprenta:
-
ABNT
ZANI, Matheus Prestes. Análise comparativa entre as abordagens de regressão logística e Random Forest em um modelo de detecção de fraude para transações E-commerce de cartão de crédito. 2019. Trabalho de Conclusão de Curso (Graduação) – Escola Politécnica, Universidade de São Paulo, São Paulo, 2019. Disponível em: https://bdta.abcd.usp.br/directbitstream/05b89ad9-137d-48a5-88b8-86a321481c38/MatheusPrestesZani%20TCCPRO19.pdf. Acesso em: 26 abr. 2024. -
APA
Zani, M. P. (2019). Análise comparativa entre as abordagens de regressão logística e Random Forest em um modelo de detecção de fraude para transações E-commerce de cartão de crédito. (Trabalho de Conclusão de Curso (Graduação). Escola Politécnica, Universidade de São Paulo, São Paulo. Recuperado de https://bdta.abcd.usp.br/directbitstream/05b89ad9-137d-48a5-88b8-86a321481c38/MatheusPrestesZani%20TCCPRO19.pdf -
NLM
Zani MP. Análise comparativa entre as abordagens de regressão logística e Random Forest em um modelo de detecção de fraude para transações E-commerce de cartão de crédito. [Internet]. 2019 ;[citado 2024 abr. 26 ] Available from: https://bdta.abcd.usp.br/directbitstream/05b89ad9-137d-48a5-88b8-86a321481c38/MatheusPrestesZani%20TCCPRO19.pdf -
Vancouver
Zani MP. Análise comparativa entre as abordagens de regressão logística e Random Forest em um modelo de detecção de fraude para transações E-commerce de cartão de crédito. [Internet]. 2019 ;[citado 2024 abr. 26 ] Available from: https://bdta.abcd.usp.br/directbitstream/05b89ad9-137d-48a5-88b8-86a321481c38/MatheusPrestesZani%20TCCPRO19.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
MatheusPrestesZani TCCPRO... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
