Моделі машинного навчання для виявлення фродових транзакцій з метою мінімізації ризиків чарджбеків
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Дипломна робота: 93 с., 27 рис., 23 табл., 28 посилань, без додатків.
Об’єктом дослідження є процес виникнення фродових транзакцій у цифрових платіжних системах та їхній вплив на рівень чарджбеків. Предметом дослідження є методи машинного навчання для виявлення фродових транзакцій і мінімізації ризиків чарджбеків для бізнесу. Метою роботи є розроблення, аналіз та порівняння моделей машинного навчання для прогнозування фродових транзакцій з урахуванням сильного дисбалансу класів. У дипломній роботі розглянуто чарджбек як механізм захисту споживачів і водночас як джерело фінансових, операційних та репутаційних ризиків для мерчантів. Проаналізовано основні типи чарджбеків та встановлено, що справжній фрод потребує превентивного підходу. Роботу формалізовано як задачу бінарної класифікації з учителем для сильно незбалансованих даних. Обґрунтовано, що стандартна точність є недостатньо інформативною для цієї задачі, тому основну увагу приділено Precision, Recall, F2 та ROC-AUC. Проаналізовано логістичну регресію, дерево рішень, Random Forest, XGBoost, LightGBM, KNN, MLP та TabNet. Встановлено, що найкращу якість за F2-мірою продемонструвала модель Random Forest. Отримані результати підтверджують, що ефективна система виявлення фроду має поєднувати якісну модель класифікації, коректну роботу з дисбалансом класів і ретельне налаштування порогу прийняття рішень. Практична цінність роботи полягає у можливості використання побудованого підходу для зменшення кількості фродових транзакцій, скорочення чарджбеків і зниження фінансових ризиків бізнесу.
Опис
Ключові слова
чарджбек, фрод, фродові транзакції, машинне навчання, бінарна класифікація, незбалансовані дані, random forest, xgboost, lightgbm, виявлення шахрайства, chargeback, fraud, fraudulent transactions, machine learning, binary classification, imbalanced data, random forest, xgboost, lightgbm, fraud detection
Бібліографічний опис
Попадюк, К. В. Моделі машинного навчання для виявлення фродових транзакцій з метою мінімізації ризиків чарджбеків : дипломна робота … бакалавра : 122 Комп'ютерні науки / Попадюк Каріна Вадимівна. – Київ, 2026. – 93 с.