Maliyet Duyarlı Makine Öğrenmesi ile Kredi Kartı Dolandırıcılığı Tespiti: Açık Erişimli ve Ağır Dengesiz İşlem Verisi Üzerinde Karşılaştırmalı Bir Uygulama

Bu çalışma, açık erişimli kredi kartı işlem verisi üzerinde maliyet duyarlı makine öğrenmesi çerçevesinde dolandırıcılık tespitini incelemektedir. Worldline-ULB grubu tarafından paylaşılan karşılaştırma veri kümesindeki 284.807 işlemden 1.081 yinelenen kayıt çıkarılmış, analizler 283.726 gözlem ve 473 dolandırıcılık işlemi üzerinde yapılmıştır. Lojistik Regresyon (Logistic Regression), Rastgele Orman (Random Forest), Aşırı Gradyan Artırma (Extreme Gradient Boosting, XGBoost) ve Hafif Gradyan Artırma Makinesi (Light Gradient Boosting Machine, LightGBM) modelleri ortak eğitim-doğrulama-test bölünmesi altında karşılaştırılmış; V1–V28, Time ve Amount değişkenlerine ek olarak log_amount ve hour_bucket türetilmiştir. Başarım, PR-AUC, ROC-AUC, duyarlılık, F1 skoru ve dengelenmiş doğruluk ile değerlendirilmiş; karar eşiği doğrulama kümesinde beklenen toplam maliyeti en aza indiren değere göre seçilmiştir. Çalışma; rastgele bölme yanında zaman-temelli (kronolojik) bölme, sınıf dengesizliğine yönelik SMOTE, alt örnekleme, SMOTE-Tomek ve focal loss yaklaşımları, Platt ile isotonic olasılık kalibrasyonu ve farklı LightGBM yapılandırmalarının karşılaştırılması üzerinden genişletilmiş bir karşılaştırma sunmaktadır. Doğrulama kümesinde en yüksek PR-AUC 0,8882 ile XGBoost modelinde, en düşük maliyet ise 1.844,88 ile rastgele orman modelinde gözlenmiştir. Test kümesinde XGBoost 0,8207 PR-AUC ve 0,9710 ROC-AUC ile en güçlü ayrıştırma başarımını üretirken, en düşük toplam maliyet 3.896,58 ile rastgele orman tarafından elde edilmiştir; LightGBM Yapılandırma B altında 3.837,01 ile yakın bir maliyet üretmiş, focal loss ise XGBoost taban modeli ile birlikte 3.421,29 maliyetle ek bir kazanım sağlamıştır. Bulgular, ağır dengesiz finansal verilerde model seçiminin tek başına yeterli olmadığını; karar eşiği, sınıf dengesizliği yaklaşımı ve maliyet varsayımlarının model sıralamasını değiştirebildiğini göstermektedir.