АЛГОРИТМИ ОМӮЗИШИ МОШИНӢ БАРОИ ОШКОР НАМУДАНИ ҚАЛЛОБОНИ МОЛИЯВӢ: ДАР АСОСИ РЕГРЕССИЯИ ЛОГИСТИКӢ

Дар мақолаи мазкур истифодабарии алгоритмҳои омӯзиши мошинӣ барои
ошкор кардани қаллобони молиявӣ пешбинӣ шудааст. Истифодабарии 2 алгоритми
омӯзиши мошинӣ дида баромада шудааст., ки онҳо алгоритми регрессияи логистики ва
ҷангали тасодуфӣ мебошад. Муқоиса карда мешавад, ки кадоме аз ин алгоритмхо
бештар пешгӯии аниқ мекунанд. Бомуваффақият як чаҳорчӯбаро барои ошкор кардани
муомилоти қаллобӣ дар маълумоти молиявӣ таҳия кардем. Ин чаҳорчӯба дар фаҳмидани
нозукиҳои ошкор кардани қаллобӣ, ба монанди эҷоди тағирёбандаҳои ҳосилшуда, ки
метавонанд ба ҷудо кардани синфҳо, ҳалли номутавозунии синфҳо ва интихоби
алгоритми дурусти омӯзиши мошини кӯмак расонанд. Бартариҳои алгоритми омӯзиши
мошини логистикӣ дар асоси регрессия барои ошкор кардани қаллобии молиявӣ аз
дақиқии баланди таснифот, қобилияти кор бо миқдори зиёди маълумот ва
тафсирпазирии натиҷаҳо иборатанд.Ғайр аз ин, алгоритмро метавон дар вақти воқеӣ
ба таври муассир истифода бурд. имкон медихад, ки амалиёти фиребгарона зуд ошкор
карда шавад. Хулоса, алгоритми омӯзиши мошинсозӣ дар асоси регрессионии логистикӣ
воситаи пурқувват барои ошкор кардани қаллобии молиявӣ мебошад. Истифодаи он ба
муассисаҳои молиявӣ дар беҳтар кардани амният ва коҳиш додани хатарҳои марбут ба
муомилоти қаллобӣ кӯмак мекунад.

регрессия, регрессияи логистики, алгоритми омӯзиши мошинӣ, қпллобони молиявӣ, ҷангали тасодуфӣ.

1. TESTIMON @ NTNU, Synthetic Financial Datasets for Fraud Detection, Kaggle,

retrieved from https://www.kaggle.com/ntnu-testimon/paysim1

2. Jayakumar et.al., A New Procedure of Clustering based on Multivariate Outlier

Detection. Journal of Data Science 2013; 11: 69-84

3. Jans et.al, A Business Process Mining Application for Internal Transaction Fraud

Mitigation, Expert Systems with Applications 2011; 38: 13351–13359

4. Phua et.al., Minority Report in Fraud Detection: Classification of Skewed Data. ACM

SIGKDD Explorations Newsletter 2004; 6: 50-59.

5. Dharwa et.al., A Data Mining with Hybrid Approach Based Transaction Risk Score

Generation Model (TRSGM) for Fraud Detection of Online Financial Transaction,

International Journal of Computer Applications 2011; 16: 18-25.

6. Sahin et.al., A Cost-Sensitive Decision Tree Approach for Fraud Detection, Expert

Systems with Applications 2013; 40: 5916–5923.

7. Sorournejad et.al., A Survey of Credit Card Fraud Detection Techniques: Data and

Technique Oriented Perspective, 2016

8. Wedge et.al., Solving the False Positives Problem in Fraud Prediction Using

Automated Feature Engineering, Machine Learning and Knowledge Discovery in Databases,

pp 372-388, 2018.

2026-03-22