صدف السادات ضیاء

هدف اصلی این پژوهش ارائه روشی است که با استفاده از آن بتوانیم دقت داده های نامتعادل اعتباری را افزایش دهیم. کلاهبرداری مالی یک مشکل اساسی است که هم بخش مالی و هم زندگی روزمره را تحت تأثیر قرار می دهد و نقش مهمی در تأثیر یکپارچگی و اعتماد در بخش های مالی و همچنین هزینه زندگی افراد دارد. طبقه بندی داده ها در ماشین بردار پشتیبان نقش بسیار مهمی در افزایش دقت دارد. به همین منظور ما روشی برای طبقه بندی داده های نامتعادل اعتباری با استفاده از ماشین بردار پشتیبان و شبکه باورعمیق ارائه خواهیم داد. با مطالعه موردی بر روش های شبکه باورعمیق و ماشین بردار پشتیبان داده های نامتعادل اعتباری مورد توجه قرار نگرفته و همچنین افزونگی داده و داده های تکراری نیز در این روش ها وجود داشته است. ما می خواهیم افزونگی داده و داده های تکراری را کاهش دهیم و در نهایت میزان وزن دقت داده ها برای داده های نامتعادل اعتباری را با استفاده از روش انتخاب ویژگی و تغییر کرنل افزایش دهیم.