معیار F

۲-۶ پژوهش­های انجام شده در این زمینه:

در این بخش به بررسی کارهای انجام شده می پردازیم بیشتر مباحث شامل روش ­های دسته بندی با نظارت، بی نظارت وقوانین انجمنی است. مقایسه بین روش­های با­نظارت در اجرا و همچنین شناسایی داده غیر­نرمال با بهره گرفتن از روش­های خوشه­بندی و استفاده ازقوانین انجمنی برای تشخیص تقلب محورهای اصلی مورد بررسی است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۶-۱ پژوهش اول: کشف تقلب در سیستم­های مالی^[۴۲]با بهره گرفتن از داده ­کاوی

۲-۶-۱-۱ هدف پژوهش:

هدف این­کار همان­ طور که در مقاله ذکر شده است جلوگیری از تقلب نیست چون متقلب خود را با شرایط وقف می­دهد هدف شناسایی تقلب با بهره گرفتن از الگوریتم داده ­کاوی است. شناسایی تقلب با بهره گرفتن از روش بررسی نرمال کار سختی است دلیل اصلی کمبود دانش ما نسبت به تقلب است و دلیل دیگر اینکه تجربه کافی برای اینکه با این روش بتوانیم تقلب را تشخیص بدهیم نداریم به همین دلیل از روش­های آماری و داده ­کاوی استفاده می­کنیم[۷].

۲-۶-۲-۲ رویکرد پژوهش:

در این مقاله از رویکرد ستنی داده ­کاوی شامل جمع­آوری داده ­ها، یکپارچه سازی داده ­ها، پیش پردازش داده ­ها، داده ­کاوی و ارزیابی استفاده شده است. در این مقاله نیز همین چارچوب را نویسندگان برای کشف تقلب درسیستم های مالی پیشنهاد کرده اند. این مقاله یک مرور جامع بر کارهایی است که در زمینه تقلب در سیستم های مالی شده است[۷].

شکل ۲-۱۰: چارچوب کلی داده ­کاوی برای کشف تقلب[۷]
ویژگی مجموعه داده استفاده شده:
مفروضات آزمایش:
توزیع داده ­ها : داده ­های مربوط به سیستم مدیریت تقلب مالی به دو دسته توزیع می­شوند داده ­های کمپانی با تقلب و بدن تقلب، داده ­های بازبینی شده و شرکت­های دولتی
توزیع داده ­ها: بیشتر تحقیقات بر شناسایی تقلب در داده ­های تقلب و غیر تقلب کاربرد دارد.
نوع یادگیری: دو نوع یادگیری با­نظارت و بی­نظارت مورد بررسی قرار گرفت. بیشتر الگوریتم­های تشخیص تقلب مالی بر پایه یادگیری با­نظارت است.
الگوریتم­های داده ­کاوی: کارهای ابتدایی داده ­کاوی شامل دسته­بندی، خوشه­بندی، قواعد انجمنی و پیش ­بینی است. بیشتر الگوریتم­های تشخیص تقلب مالی بر اساس دسته­بندی است.
تکنیک­های داده ­کاوی: الگوریتم­های تشخیص تقلب مالی با توجه تکنیک­های داده ­کاوی به پنج دسته تقسیم می­شوند رگرسیون، شبکه­عصبی، درخت تصمیم ، شبکه بردار پشتیبان و شبکه بیزین
نتیجه آزمایش: در رهیافت تشخیص تقلب مالی ازروش­های با­نظارت نوع دسته­بندی و بیشتر از الگوریتم­های رگرسیون و شبکه­عصبی استفاده می­ شود.

۲-۶-۲ پژوهش دوم: کشف تقلب در کارت اعتباری با بهره گرفتن از شبکه عصبی و بیزین

۲-۶-۲-۱ هدف پژوهش:

هدف پژوهش شناسایی تقلب در کارت اعتباری و همچنین مقایسه بین شبکه عصبی و بیزین است که با توجه به مجموعه داده و همچنین کاربرد خاص شبکه بیزین عملکرد بهتری دارد[۸].

۲-۶-۲-۲ رویکرد پژوهش:

در این رویکرد از یکسری داده مورد استفاده از شرکت international waterschoot at europay گرفته شده است. این مجموعه داده ­ها دارای ویژگی­های و اطلاعات مفید درباره هر تراکنش هست که با F_i نشان می­دهیم.
در استفاده از شبکه عصبی پیش­پردازش خیلی مهم است برای نمایش بهتر ارزیابی که مستقل ازیادگیری است ما از receive Operating Curve استفاده می­کنیم.
بعد از آموزش بوسیله شبکه­عصبی ما با مجموعه ویژگی که تاکنون ندیده­ایم برخورد می­کنیم وتراکنش­ها در یک مجموعه دسته بندی می­نماییم. اما باید مشخص کنیم چه مقدار تراکنش در هر دسته واقعا درست هستند همچنین باید مشخص شود چند درصد از تراکنش ها واقعا متقلب هستند.
از دو نرخ بنام نرخ قطعی درست و نرخ قطعی غلط استفاده می­کنیم
نرخ قطعی درست: چه مقدار تراکنش متقلب بطور صحیح متقلب تشخیص داده شده است.
نرخ قطعی غلط: چه مقدار تراکنش درست بطور غلط متلقب تشخیص داده شده است.
در منحنیROC ضلع X نرخ قطعی غلط و ضلع Y نرخ قطعی درست را نشان می­دهد.
تشخیص تقلب با شبکه­عصبی:
مهم بودن پیش­پردازش برای کارایی شبکه­عصبی بسیار مهم است در شکل ۲-۱۱ دو منحنیROC وجود دارد که از اجرا روی مجموعه داده ها با ۱۰ ویژگی بدست آمده است.
ROC پررنگ: که نتیجه بهتری است پیش­پردازش شامل نرمال­سازی و مقادیر مورد انتظار دارای انحراف کمی از مقادیر واقعی است دارای نرخ قطعی درست ۷۰% و نرخ غلط ۱۵% است.
ROC روشن: پیش پردازش پیش پردازش شامل نرمال­سازی و مقادیر مورد انتظار دارای انحراف کمی از مقادیر واقعی است و دارای نرخ قطعی درست ۶۰% و نرخ غلط ۱۵% است [۸].

شکل ۲-۱۱:مقایسه خروجی­ها با بهره گرفتن از نمودار [۸] ROC
تشخیص تقلب با شبکه بیزین: در شکل همچنان که دیدید ROC وابسته به ساختار است و با بهتر کردن ساختار می­توان نتیجه بهتری گرفت.
ارزیابی :
در ارزیابی که در جدول ۲-۴ آمده است شبکه بیزین دارای عمکرد بهتری نسبت به شبکه عصبی است.
جدول ۲-۴: مقایسه نتیجه بین شبکه­عصبی و شبکه بیزین[۸]

نرخ قطعی غلط ±۱۵

نرخ قطعی غلط ±۱۰

تست