融合蝙蝠优化与XGBoost的信用卡欺诈检测方法

摘要

针对信用卡欺诈检测中样本不均衡、复杂行为模式和高误报率等问题，提出一种融合蝙蝠优化与极端梯度提升(Extreme Gradient Boosting, XGBoost)的信用卡欺诈检测方法。采用合成少数类过采样技术(Synthetic Minority Over-sampling Technique, SMOTE)与自适应合成采样(Adaptive Synthetic Sampling Approach, ADASYN)方法相结合的方式，对训练数据进行再平衡处理，改善样本类别分布不均衡的问题。分别引入蝙蝠优化算法(Bat Optimization Algorithm, BOA)与灰狼优化(Grey Wolf Optimizer, GWO)算法进行联合搜索，优化XGBoost模型超参数，从而获取模型性能的最优解。实验结果表明，经过SMOTE+ADASYN+BOA优化后的XGBoost模型加权平均准确率达到96.31%,召回率为96.55%,F1值为96.00%,相较于原始XGBoost模型和SMOTE+ADASYN+GWO优化的XGBoost模型准确率均提升了2.81%,召回率分别提升了3.05%和0.89%,F1值分别提高了2.50%和1.45%,所提方法有效改善了类别不平衡场景下信用卡欺诈的精准检测问题。

关键词

信用卡欺诈检测 / 自适应合成采样 / 数据增强 / 蝙蝠优化 / XGBoost