2026 г., Том 31, № 2, с.120-135

В связи с растущей сложностью и частотой мошенничества с кредитными картами, существует острая необходимость в высокоточных и эффективных системах обнаружения. В этом исследовании предлагается улучшенная система обнаружения мошенничества, которая сочетает ансамблевое обучение с методами анализа важности признаков для повышения производительности. В качестве базовых моделей используются шесть мощных алгоритмов улучшения производительности бустинга: AdaBoost, XGBoost, GBM, LightGBM, CatBoost и LogitBoost, которые затем объединяются с помощью метода ансамблевого стекинга (процесс блокировки своих активов в сети блокчейна, чтобы поддерживать ее стабильную работу и безопасность) для повышения точности прогнозирования. Для обеспечения эффективности и интерпретируемости модели применяются методы отбора признаков, такие как рекурсивное исключение признаков, древовидная оценка важности признаков, классификация на основе взаимной информации и F-тест ANOVA, при этом метод ANOVA имеет приоритет в окончательной модели. При оценке на эталонном наборе данных предложенная система показала исключительные результаты: точность, избирательность, полнота и F-мера составили 99.97 %. Это демонстрирует эффективность ансамблевого обучения в объединении сильных сторон отдельных моделей при минимизации ошибок. Процесс отбора признаков также повышает вычислительную эффективность, фокусируясь на наиболее релевантных признаках.