Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Heavy-Duty Engines 2025 | 18. + 19. November 2025

Nutzfahrzeuge | Land- und Baumaschinen | Marine

Nehmen Sie als Referent an der 20. Internationalen MTZ-Fachtagung für Erfahrungsaustausch zu Industrie- und Nfz-Motoren teil. Reichen Sie online einen Themenvorschlag ein!
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Credit Card Fraud Detection by Using Ensemble Method of Machine Learning

verfasst von : Nihar Ranjan, G. S. Mate, A. J. Jadhav, D. H. Patil, A. N. Banubakode

Erschienen in: Advances in Data-Driven Computing and Intelligent Systems

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Online transactions have become an essential aspect of life as universe becomes more technological and every industry leverages the web to grow enterprises. Online transactions have been increasing steadily, and this trend is expected to continue. Credit cards are a popular form of internet transaction, but with their widespread use comes a significant drawback: credit card fraud. Since banks are unable to screen every transaction, machine learning is essential to identifying credit card fraud. In our research, we used Kaggle to gather a dataset of 2,844,808 credit card transactions from a European Bank Dataset. There are 492 fraudulent transactions in it; to balance the dataset, we proposed hybrid resampling method; and for the detection of credit card fraud, Random Forest Algorithm is used. The assessment of the model is assessed based on accuracy, precision, recall, and F1-score. Our model shown fairly good results of 97.66, 98.85, 95.94, 97.37% for accuracy, precision, recall, and F1-score, respectively.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Automotive ECU-Based Forward Collision Prevention System
Nächstes Kapitel APiCroDD: Automated Pipeline for Crop Disease Detection
Literatur
1.
Maddie S (2021) Cash vs credit card spending statistics (2021)—Fundera ledger. Fundera: compare your best small business loan and credit card options, 30 July 2019.
2.
George S, Pathade P, Ranjan N et al (2022) Implementation of machine learning algorithm to detect credit card frauds. Int J Comput Appl 184(1)
3.
NCRB Report (2020) Debit, credit card fraud online climbs steeply, 225% more cases when compared to 2019. Edex Live
4.
Midhun C, Nihar R (2021) Evolutionary and ıncremental text document classifier using deep learning. Int J Grid Distribut Comput 14(1)
5.
Meenakshi D, Gayathri J, Indira M (2019) Credit card fraud detection using random forest. Int Res J Eng Technol (IRJET) 6(3)
6.
Shakya R (2018) Application of machine learning techniques in credit card fraud detection. UNLV theses, dissertations, professional papers, and capstones, pp 3454
7.
Ranjan N, Prasad R (2013) Author ıdentification in text mining for used in forensics. Int J Res Adv Technol 1(5):568–571
8.
Lakshmi SVS, Selvani DK (2018) Machine learning for credit card fraud detection system. Int J Appl Eng Res 13:ISSN 0973–4562
9.
Nayan U et al (2021) Literature review of different machine learning algorithms for credit card fraud detection. Int J Innov Technol Explor Eng 10(6):101–108
10.
Vaishnavi Nath D, Geetha S (2019) Credit card fraud detection using machine learning algorithms. Procedia Comput Sci 165:631–641
11.
Paruchuri H (2017) Credit card fraud detection using machine learning: a systematic literature review. ABC J Adv Res 6(2):113–120CrossRef
12.
Gowthami K, Praneetha KVLE, Vinitha G, Kumari R, Sandhya Krishna P (2020) Credit card fraud detection using logistic regression. J Eng Sci (JES) 11(4)
Metadaten
Titel
Credit Card Fraud Detection by Using Ensemble Method of Machine Learning
verfasst von
Nihar Ranjan
G. S. Mate
A. J. Jadhav
D. H. Patil
A. N. Banubakode
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Advances in Data-Driven Computing and Intelligent Systems

Print ISBN: 978-981-9995-20-2

Electronic ISBN: 978-981-9995-21-9

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-99-9521-9_34