Improving Fraud Detection Accuracy Through Data Preprocessing and Decision Tree Machine Learning

In het stille gezoem van het wereldwijde financiële systeem wordt een constante, onzichtbare strijd gevoerd over elke digitale transactie. Wanneer iemand een kaart door een lezer haalt of een telefoon tikt om te betalen, beslist een complex netwerk van geautomatiseerde systemen onmiddellijk of die aankoop veilig of verdacht is. Deze systemen zijn ontworpen om fraudeurs te vangen die geld stelen, maar ze worden geconfronteerd met een moeilijke wiskundige realiteit: de overgrote meerderheid van de transacties is eerlijk, terwijl de weinige die frauduleus zijn, als speldjes in een hooiberg zijn. Omdat de eerlijke transacties de slechte zo sterk overtreffen, kan een computerprogramma erin worden misleid te denken dat het een perfect werk doet door simpelweg de speldjes te negeren en niets te markeren. Dit creëert een behoefte aan een andere aanpak, één die de computer leert om zorgvuldig naar de gegevens zelf te kijken voordat hij een beslissing neemt. Het doel is niet alleen om een slimmer machine te bouwen, maar om de informatie te reinigen en te organiseren zodat zelfs een eenvoudig, transparant hulpmiddel de patronen van diefstal kan zien die anders verborgen zouden blijven.

Dit is de centrale vraag die wordt verkend door Darshan Aher, een onderzoeker aan de Sanjivani University in India, die onderzocht of een zorgvuldige voorbereiding van gegevens een basis computermodel net zo effectief kan maken als de complexe, zware systemen die banken vaak gebruiken. In plaats van een enorme, ingewikkelde kunstmatige intelligentie te bouwen die moeilijk te begrijpen is, richtte Aher zich op een enkele, eenvoudige soort model die bekend staat als een beslisboom. Stel je een stroomdiagram voor waarbij een reeks eenvoudige ja-of-nee-vragen tot een definitief antwoord leidt; dit is hoe een beslisboom werkt, waardoor het voor mensen gemakkelijk is om precies te zien waarom een transactie is gemarkeerd. De studie gebruikte een dataset uit de echte wereld met bijna 285.000 creditcardtransacties van Europese kaarthouders, een collectie waarbij minder dan twee honderdste van een procent daadwerkelijk frauduleus was. De uitdaging was om de eenvoudige beslisboom te leren die zeldzame slechte transacties te vinden zonder in de war te raken door de overweldigende hoeveelheid goede transacties.

Om dit op te lossen, begon de onderzoeker niet met het veranderen van het brein van de computer, maar door de kamer waarin de computer werkte op te ruimen. Het proces begon met het verwijderen van dubbele records en het organiseren van de getallen zodat ze op een consistente schaal staan. De gegevens werden vervolgens in twee groepen gesplitst: een grote groep waar de computer van kan leren, en een kleinere groep om later zijn vaardigheden te testen. Cruciaal was dat de testgroep exact werd achtergelaten zoals deze in de echte wereld werd aangetroffen, met de natuurlijke, zware onbalans van goede transacties en zeldzame slechte transacties. Om de computer te helpen leren hoe fraude eruitziet, voegde de onderzoeker extra voorbeelden van frauduleuze transacties toe aan alleen de leergroep. Deze techniek, die nieuwe, synthetische voorbeelden creëert op basis van bestaande exemplaren, stelde het model in staat om de patronen van diefstal te bestuderen zonder de uiteindelijke test te verstoren. De onderzoeker selecteerde ook alleen de meest nuttige stukjes informatie en verwierp de ruis die niet hielp om een dief van een eerlijke klant te onderscheiden.

Toen de getrainde beslisboom uiteindelijk werd getest tegen de onaangetaste, realistische groep transacties, presteerde deze met verrassende effectiviteit. Het model identificeerde correct 110 van de 142 frauduleuze transacties, waarmee het ongeveer 77 procent van de diefstallen ving. Dit is een aanzienlijke verbetering ten opzichte van een systeem dat simpelweg fraude negeert, wat nul procent zou vangen. De studie onthulde echter ook de prijs van deze waakzaamheid. Omdat het model nauwkeurig genoeg was afgesteld om de zeldzame slechte transacties te vinden, markeerde het ook sommige eerlijke transacties als verdacht. Van elke negen transacties die het model als potentieel frauduleus markeerde, was er slechts één daadwerkelijk slecht. Dit betekent dat hoewel het systeem de meeste dieven succesvol vond, het ook een aantal valse alarmen genereerde die menselijke controle vereisten. De onderzoekers merkten op dat deze afweging verwacht en beheersbaar is; in een echte setting zou dit model waarschijnlijk dienen als een eerste filter, die het merendeel van de fraude vangt zodat menselijke analisten hun aandacht kunnen richten op de specifieke gevallen die de computer heeft gemarkeerd.

De bevindingen suggereren dat de complexiteit van het machine learning-model niet de enige, of misschien zelfs niet de belangrijkste factor is bij het detecteren van fraude. Door de gegevens zorgvuldig voor te bereiden en een techniek te gebruiken om het leerproces in evenwicht te brengen, kan een eenvoudige, snelle en volledig begrijpelijke beslisboom hoge detectiepercentages bereiken. De studie demonstreert dat een enkele beslisboom, wanneer deze wordt gevoed met schone en gebalanceerde informatie, de meeste fraudegevallen kan herstellen tegen een lage computationele kost. Hoewel het model niet perfect is en afstemming vereist om de balans tussen het aantal valse meldingen en gemiste misdrijven te bewaren, bewijst het dat transparantie en efficiëntie niet opgeofferd hoeven te worden voor nauwkeurigheid. Het werk wijst naar een toekomst waarin financiële beveiligingssystemen lichtgewicht en uitlegbaar blijven, waardoor banken precies kunnen begrijpen waarom een transactie is gestopt, in plaats van te vertrouwen op ondoorzichtige, 'black-box' algoritmen die moeilijk te inspecteren of te vertrouwen zijn.