Evaluating Supervised Learning Models for Fraud Detection: A Comparative Study of Classical and Deep Architectures on Imbalanced Transaction Data
创建于 更新于
摘要
本研究对比了Logistic Regression、Random Forest、LightGBM和GRU四种监督学习模型在大规模高不平衡在线交易诈骗数据上的表现，重点评估了整体和诈骗类别的精准率、召回率及F1分数。结果表明，集成树模型在多数指标上表现优异，而GRU在提升诈骗召回率方面优势明显但精度较低，揭示了模型选择中精度与召回的权衡，为金融诈骗检测系统的部署提供了实证依据 [page::0][page::1][page::2][page::3][page::4]。
