Bu çalışmada, Kredi Kartı Sahteciliği Tespiti konusunu çalıştık. Çalışmada, Random Forest (RF) ve Karar Ağacı (DT) algoritmalarının performansını değerlendirdik. Ayrıca, literatürde yaygın olarak kullanılan eksik örnekleme (undersampling) yerine, daha etkili ve verimli olan aşırı örnekleme (oversampling) yaklaşımını kullandık. Derin öğrenme gibi karmaşık yöntemler yerine, daha basit ve verimli çözümler sunmak amaçlanmıştır.

1. Veri Seti Hazırlığı:
   • 284,807 işlem (492 dolandırıcılık, 284,315 normal işlem)
   • 31 değişken içeren dengesiz veri seti
   • PCA ile dönüştürülmüş özellikler (V1-V28), zaman ve tutar bilgileri
2. Uygulanan Yaklaşımlar:
   • Orijinal dengesiz veri ile analiz
   • Eşik değeri optimizasyonu
   • SMOTE tekniği ile aşırı örnekleme (synthetic minority over-sampling technique)
3. İyileştirme Adımları:
   • Robust scaling tekniği ile aykırı değerlerin ele alınması
   • V17, V14, V12, ve V10 özellikleri için eşik değerlerinin belirlenmesi
   • SMOTE ile sentetik örnekler oluşturarak veri dengesinin sağlanması

• Random Forest (RF)
• Karar Ağacı (DT)

1. Orijinal Veri:
   • RF: Doğruluk: %99.94, Hassasiyet: %69.40
   • DT: Doğruluk: %99.94, Hassasiyet: %76.11
2. Eşik Optimizasyonu ile:
   • RF: Doğruluk: %99.81, Hassasiyet: %90.15
   • DT: Doğruluk: %99.81, Hassasiyet: %90.90
3. SMOTE ile:
   • RF: Doğruluk: %98.95, Hassasiyet: %98.56
   • DT: Doğruluk: %98.84, Hassasiyet: %98.51

• SMOTE tekniği, hassasiyet değerlerinde önemli bir artış sağlamıştır.
• Random Forest algoritması, genel olarak Karar Ağacı’ndan daha iyi performans göstermektedir.
• Eşik değeri optimizasyonu ve SMOTE birlikte kullanıldığında en iyi sonuçlar elde edilmiştir.

Bu çalışma, uygun veri ön işleme ve doğru algoritma seçimi ile, karmaşık derin öğrenme yöntemlerine gerek kalmadan etkili bir şekilde kredi kartı dolandırıcılığı tespiti yapılabileceğini göstermektedir.

Birlikte projelerinizi yürütmekten memnuniyet duyarız! Daha fazla bilgi almak için bize ulaşın. Birlikte, araştırma süreçlerinizi daha stabil hale getirelim.