Mining Bad Credit Card Accounts from OLAP and OLTP

Islam, Sheikh Rabiul; Eberle, William; Ghafoor, Sheikh

doi:10.1145/3093241.3093279

Cited by 3 publications

(1 citation statement)

References 1 publication

Supporting

Mentioning

Contrasting

Order By: Relevance

“…As a result of multiple trees, the variance reduces a little bit compared to Decision Trees, however, as a subset of the whole feature set is chosen for each tree, that comes with little increase of bias. The ET which was proposed by Geurts et al (2006), has continued its success by achieving the state of the art performance in some anomaly/intrusion detection research (Islam, 2018;Islam et al, 2018a).…”

Section: Extra Trees (Et)mentioning

confidence: 99%

Investigating bankruptcy prediction models in the presence of extreme class imbalance and multiple stages of economy

Islam¹,

Eberle²,

Ghafoor³

et al. 2019

Preprint

Self Cite

View full text Add to dashboard Cite

In the area of credit risk analytics, current Bankruptcy Prediction Models (BPMs) struggle with (a) the availability of comprehensive and real-world data sets and (b) the presence of extreme class imbalance in the data (i.e., very few samples for the minority class) that degrades the performance of the prediction model. Moreover, little research has compared the relative performance of well-known BPM's on public datasets addressing the class imbalance problem. In this work, we apply eight classes of wellknown BPMs, as suggested by a review of decades of literature, on a new public dataset named Freddie Mac Single-Family Loan-Level Dataset with resampling (i.e., adding synthetic minority samples) of the minority class to tackle class imbalance. Additionally, we apply some recent AI techniques (e.g., tree-based ensemble techniques) that demonstrate potentially better results on models trained with resampled data. In addition, from the analysis of 19 years (1999)(2000)(2001)(2002)(2003)(2004)(2005)(2006)(2007)(2008)(2009)(2010)(2011)(2012)(2013)(2014)(2015)(2016)(2017) of data, we discover that models behave differently when presented with sudden changes in the economy (e.g., a global financial crisis) resulting in abrupt fluctuations in the national default rate. In summary, this study should aid practitioners/researchers in determining the appropriate model with respect to data that contains a class imbalance and various economic stages.

show abstract

Section: Extra Trees (Et)mentioning

confidence: 99%

Investigating bankruptcy prediction models in the presence of extreme class imbalance and multiple stages of economy

Islam¹,

Eberle²,

Ghafoor³

et al. 2019

Preprint

Self Cite

View full text Add to dashboard Cite

show abstract

Advanced Behavioral Analyses Using Inferred Social Networks: A Vision

Holubová

Svoboda

Skopal

et al. 2019

Communications in Computer and Information Science

View full text Add to dashboard Cite

Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine Öğrenimi Algoritmalarıyla Tespiti

Zaim¹,

YOLAÇAN²,

Gülbandılar³

2021

DÜMF Mühendislik Dergisi

View full text Add to dashboard Cite

Günümüzde, şirketler gelecekte yapmayı planladıkları işleri içeren çok sayıdaki önemli verilerini elektronik ortamlarda saklamaktadırlar. Saldırı durumunda ise hem şirkete hem de bireylere zarar verebilecek finansal bilgiler hedef alınmaktadır. Bu saldırı türlerinden biri de banka ödemelerinde meydana gelen dolandırıcılık saldırılarıdır. Grafik veri bilimi kullanılması, mevcut analitik ve makine öğrenimi ardışık düzenlerini güçlendirerek, var olan dolandırıcılık tespit yöntemlerinin doğruluğunu ve uygulanabilirliğini arttırmaktadır. Bu çalışmada İspanya'daki bir banka ödeme bilgi simülasyonundan oluşturulan BankSim veri kümesi kullanılmıştır. BankSim üzerinde bulunan normal ödemeler ve sahte veriler sınıflandırılarak dolandırıcılık tespiti gerçekleştirilmesi amaçlanmıştır. Sınıflandırma için Python dilinde RandomForest (RF), Support Vector Machine SVM, XGBoost (XGB), K-Nearest Neighbors (k-NN) sınıflandırma algoritmaları kullanılmıştır. Performans değerlendirmeleri için K-katlamalı çapraz doğrulama kullanılmıştır. Çizge madenciliği için Neo4j veritabanı kullanılmış ve Neo4j sorgu dili olarak CypherQL kullanılmıştır. Bu dolandırıcılık tespitinin uygulanması ile daha az hileli işlem ve daha güvenilir bir gelir akışı elde edilmiştir. Çizge madenciliği aşamasında PageRank, Community, degree gibi çizge algoritmaları ile birlikte standart makine öğrenimi yöntemi ile elde edilen sonuçlar optimize edilmiştir. Bu açıdan çizge madenciliği ve makine öğrenimi algoritmalarının birlikte kullanılmasının diğer yöntemlere kıyasla doğruluk oranlarının daha yüksek olduğu ve daha hızlı sürede hesap yapan bir yöntem olduğu ispatlanmıştır.

show abstract

Mining Bad Credit Card Accounts from OLAP and OLTP

Cited by 3 publications

References 1 publication

Investigating bankruptcy prediction models in the presence of extreme class imbalance and multiple stages of economy

Investigating bankruptcy prediction models in the presence of extreme class imbalance and multiple stages of economy

Advanced Behavioral Analyses Using Inferred Social Networks: A Vision

Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine Öğrenimi Algoritmalarıyla Tespiti

Contact Info

Product

Resources

About