内容摘要：线上支付的发展便利了生活，但同时信用卡诈骗也带来巨大的财产损失。来自数据库Kaggle在2013年9月欧洲持卡人通过信用卡进行的交易数据集显示，诈骗交易样本量仅占了总体的4%。然而我们真正关心的则是那些诈骗交易的信息，其错分代价更大。标准分类器在训练模型时会往往忽略掉少数类样本，倾向于学习预测占主导地位的多数类，造成分类器分类性能偏低。这是样本数据高度不平衡的结果。因此，从数据集层面考虑，在MLP模型上采用了SMOTE算法，对少数类样本进行插值来产生额外的样本，使少数类样本的召回率上升了二十个百分点，有效提高了分类器的性能。

关键词：信用卡诈骗；样本不平衡；SMOTE算法；MLP神经网络

目录

摘要

Abstract

1 绪论 · 1

1．1研究背景 · 1

1．2研究目的  1

1．3研究的意义 · 1

2 文献综述 3

3 数据不平衡问题· 5

3．1类别不平衡问题 5

3．2不平衡数据集的初步研究· 5

4 针对数据不平衡的模型建立· 8

4．1 MLP多层感知机  8

4．2 SMOTE算法 8 

4．3建立基于SMOTE算法的MLP模型 10

5 结论与不足  13

参考文献 

致谢