Оцінка методів машинного навчання для виявлення викидів у наборах даних

Abstract

Обʼєкт дослідження: методи та моделі машинного навчання. Предмет дослідження: методи виявлення аномалій та моделі класифікації, призначені для виявлення викидів у транзакційних наборах даних. Мета дослідження: розробка та оцінка ефективності моделей машинного навчання для автоматичного виявлення викидів у великих наборах даних, зокрема в контексті транзакційної активності користувачів. Використані моделі: у програмній реалізації було використано логістичну регресію, дерева рішень, випадковий ліс, XGBoost та SVM — для порівняння їх здатності виявляти нетипові (аномальні) спостереження в даних. Актуальність роботи зумовлена стрімким зростанням обсягів цифрових даних, у яких виявлення викидів є критично важливим як для підвищення якості аналітики, так і для своєчасного реагування на потенційно небезпечні або помилкові транзакції. Викиди можуть свідчити про збої, шахрайство або нестандартну поведінку системи. Отримані результати: реалізовано та протестовано декілька моделей машинного навчання, які продемонстрували здатність виявляти викиди у транзакційних даних з високою ефективністю. Було проведено аналіз якості моделей за стандартними метриками. Подальші напрямки дослідження включають використання глибокого навчання, методів напівасупервізованого навчання, а також розширення вхідних ознак для підвищення точності виявлення аномалій.