Моделі машинного навчання для виявлення фродових транзакцій з метою мінімізації ризиків чарджбеків

Скорочена інформація про документ
dc.contributor.advisorПишнограєв, Іван Олександрович
dc.contributor.authorПопадюк, Каріна Вадимівна
dc.date.accessioned2026-09-08T12:26:24Z
dc.date.available2026-09-08T12:26:24Z
dc.date.issued2026
dc.description.abstractДипломна 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.
dc.description.abstractotherThesis: 93 pages, 27 figures, 23 tables, 28 references, no appendices. The object of the study is the process of fraudulent transactions occurring in digital payment systems and their impact on the chargeback rate. The subject of the study is machine learning methods for detecting fraudulent transactions and minimizing chargeback risks for businesses. The aim of the thesis is to develop, analyze, and compare machine learning models for predicting fraudulent transactions while taking into account a strong class imbalance. The thesis examines chargeback as a consumer protection mechanism and, at the same time, as a source of financial, operational, and reputational risks for merchants. The main types of chargebacks are analyzed, and it is established that true fraud requires a preventive approach. The research problem is formalized as a supervised binary classification task for highly imbalanced data. It is substantiated that standard accuracy is not sufficiently informative for this task; therefore, the main focus is placed on Precision, Recall, F2-score, and ROC-AUC. Logistic Regression, Decision Tree, Random Forest, XGBoost, LightGBM, KNN, MLP та TabNet are analyzed. It is established that the Random Forest model demonstrated the best performance according to the F2-score. The obtained results confirm that an effective fraud detection system should combine a high-quality classification model, proper handling of class imbalance, and careful tuning of the decision threshold. The practical value of the thesis lies in the possibility of using the developed approach to reduce the number of fraudulent transactions, decrease chargebacks, and lower financial risks for businesses.
dc.format.extent93 с.
dc.identifier.citationПопадюк, 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.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82878
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectчарджбек
dc.subjectфрод
dc.subjectфродові транзакції
dc.subjectмашинне навчання
dc.subjectбінарна класифікація
dc.subjectнезбалансовані дані
dc.subjectrandom forest
dc.subjectxgboost
dc.subjectlightgbm
dc.subjectвиявлення шахрайства
dc.subjectchargeback
dc.subjectfraud
dc.subjectfraudulent transactions
dc.subjectmachine learning
dc.subjectbinary classification
dc.subjectimbalanced data
dc.subjectrandom forest
dc.subjectxgboost
dc.subjectlightgbm
dc.subjectfraud detection
dc.titleМоделі машинного навчання для виявлення фродових транзакцій з метою мінімізації ризиків чарджбеків
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Popadiuk_bakalavr.pdf
Розмір:
3.62 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи