Hile Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılmasıve Model Performanslarının Değerlendirilmesi (Using Machine Learning Methods to Detect Fraud and Evaluation of Model Performances)

Abstract

Amaç –Çalışmada,hilenin verdiği zararın azaltılmasına yönelik teknoloji temelli araçlarla çözüm üretilmeye çalışılmıştır. İşletmelerde sıklıkla karşılaşılan hileli ödemelerin tespiti için makine öğrenimi yöntemleriylebir model oluşturulması amaçlanmaktadır. Yöntem –Çalışmada, bir bankaya ait finansal ve finansal olmayanlar bilgilerle oluşturulan 594.643 adetlik yapay veri setinden yararlanılmıştır. Veri seti kullanılarak makine öğrenmesinin Karar Ağacı, Destek Vektör Makinesi, Lojistik Regresyon ve Yapay Sinir Ağlarıyöntemleriyle tahmin yapılmıştır. Yöntemlerin algoritmaları veri setinin %69’u ile önce eğitilmiş, sonra veri setinin %31’i ile tahmin yapması sağlanmıştır. Bulgular -Yöntemlerin oluşturduğu değerlere bakıldığında doğruluk metriği sırasıyla Karar Ağacı %99,42, Destek Vektör Makinesi %99,11, Lojistik Regresyon %98,95 ve Yapay Sinir Ağları %99,35 hesaplandığı görülmüştür. 1.620 tane hileli işlemi doğru tahmin ederek en fazla doğru tahmin yapan ve bu süreçleri en hızlı (1,32sn) gerçekleştiren yöntem karar ağacı olmuştur. Sonuçlara göre ortalama olarak en başarılı, en hızlı ve en çok doğru tahmin yapan modeli karar ağacının oluşturduğu tespit edilmiştir.Tartışma -Uygulamada kullanılan yöntemlere bağlı olarak veri setiyle yapılan model denemelerinde makine öğrenimi yöntemleri yanlış pozitif ve yanlış negatif değerleri üretmiştir. Her ne kadar bu değerleri sıfıra indirmek mümkün olmasa da azaltılması yönünde geliştirilmeye açıktır.

Detection of fraudulent transactions using artificial neural networks and decision tree methods

“…Similar results regarding the operation performed with decision tree analysis were achieved by Liou (2008) with 100%, Gür and Tarhan Mengi (2022) with 99.42%, and Gür (2023) with 98% correct detection rates. In addition to these results, when the data mining methods used together for fraud detection are compared, Kotsiantis et al (2006) and Gür and Tarhan Mengi (2022) state that the decision tree is the method that makes fast and accurate detection. This highlighted interpretation is also consistent with the result of this study.…”

“…Rukhsar et al (2022) used the DT method to predict insurance fraud detection. Gür and Tarhan Mengi (2022) used DT, SVM, Logistic Regression, and ANNs methods to detect fraud, and it was determined that the most accurate prediction model was created by the DT method. Kılıç and Önal (2022), Kara and Özcan (2020), Terzi and Kıymetli Şen (2012) used ANNs data mining method.…”