基于集成学习的金融反欺诈模型
近年来,网上银行在金融交易中变得越来越流行.但是欺诈行为也随之急剧增加,给银行造成了很大的损失.针对这种情况,提出了一种新的基于集成学习的数据挖掘技术.集成模型包括一组单独的分类器,它们的预测被组合以预测新的传入实例.我们主要考虑了三个最新的单个组件分类器:随机森林,XGBoost和CNN卷积神经网络.提出了一种创新的集成学习方法,通过多个模型的集成,并考虑了数据本身的特征,来提升模型的性能.实证结果表明,与单个组件分类器相比,这种集成学习的方法在真实的金融欺诈数据上具有优越的性能.
金融反欺诈、集成学习、机器学习
16
TP311(计算技术、计算机技术)
2020-03-28(万方平台首次上网日期,不代表论文的发表时间)
共4页
216-219