Comparative aAnalysis of Unsupervised Anomaly Detection Methods for Credit Card Fraud Detection

Abstract

V posledních letech roste se zvyšujícím se počtem bezhotovostních a on- line plateb i množství podvodných transakcí, jejichž detekce představuje pro finanční instituce značnou výzvu. Jako slibný nástroj se v této oblasti pro- filuje strojové učení. Tato práce se zaměřuje na modely strojového učení pro detekci anomálií, konkrétně Isolation Forest, Local Outlier Factor a One-Class Support Vector Machine, které identifikují podvodné platby na základě jejich odlišnosti od již proběhlých legitimních transakcí a jimž v dosavadním výzkumu nebyla v tomto oboru věnována dostatečná pozornost. Aby bylo dosaženo co nejlepších výsledků, data jsou normalizována pomocí několika různých normali- začních technik a pro každý model strojového učení je hledána ta nejvhodnější. Nejlepších výsledků dosahuje mezi testovanými modely Local Outlier Factor s daty normalizovanými metodou min-max. Klasifikace JEL C49, G21, K42 Klíčová slova podvod s platebními kartami, strojové učení, detekce anomálií, normalizace dat Název práce Srovnávací analýza nesupervizovaných metod detekce anomálií pro detekci podvodů s platebními kartami E-mail autora anna.juzova11@gmail.com E-mail vedoucího práce michal.cervinka@fsv.cuni.cz

In recent years, the increasing rate of cashless payments and online pur- chases has led to a rise in credit card fraud. Detecting fraudulent transactions poses a significant challenge for financial institutions, however, machine learn- ing has emerged as a promising tool. This thesis focuses on machine learning models for anomaly detection that have not received sufficient attention in pre- vious research. Specifically, the study examines Isolation Forest, Local Outlier Factors, and One-Class Support Vector Machine. These models identify fraud- ulent payments as transactions that do not fit the learned pattern from past transactions. To optimise performance, the data are normalised using different normalisation techniques. Among the tested models, the Local Outlier Factor model with data normalised using the min-max method seems to be the most effective. JEL Classification C49, G21, K42 Keywords credit card fraud, machine learning, anomaly de- tection, data normalisation Title Comparative Analysis of Unsupervised Anomaly Detection Methods for Credit Card Fraud De- tection Author's e-mail anna.juzova11@gmail.com Supervisor's e-mail michal.cervinka@fsv.cuni.cz