| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| Chapter 1 Introduction | 第12-27页 |
| 1.1 Introduction | 第12-18页 |
| 1.1.1 Credit Card Fraud | 第12-15页 |
| 1.1.2 Types of Credit Card Fraud | 第15-18页 |
| 1.1.2.1 Bankruptcy Fraud | 第16页 |
| 1.1.2.2 Theft fraud/counterfeit Fraud | 第16页 |
| 1.1.2.3 Application Fraud | 第16-17页 |
| 1.1.2.4 Behavioral Fraud | 第17-18页 |
| 1.1.3 Losses Generated by Credit Card Fraud | 第18页 |
| 1.2 Fraud Analytics and Predictive Analytics | 第18-19页 |
| 1.3 Predictive Analytics for Credit Card Fraud | 第19-20页 |
| 1.4 Pre-processing Techniques for Class Imbalance | 第20-21页 |
| 1.5 Research Motivation and Problem Statement | 第21-23页 |
| 1.6 Contribution | 第23-24页 |
| 1.7 Software Implementation for Experimentation | 第24页 |
| 1.8 Layout of Thesis | 第24-27页 |
| Chapter 2 Literature Review | 第27-64页 |
| 2.1 Machine Learning | 第27-44页 |
| 2.1.1 Unsupervised Learning | 第28页 |
| 2.1.2 Supervised Learning | 第28-29页 |
| 2.1.2.1 Supervised Learning for Credit Card Fraud Detection | 第28-29页 |
| 2.1.3 Classification Techniques for Credit Card Fraud | 第29-44页 |
| 2.1.3.1 Decision Tree | 第30-36页 |
| 2.1.3.2 Support Vector Machine (SVM) | 第36-38页 |
| 2.1.3.3 IBK | 第38-40页 |
| 2.1.3.4 Voted Perceptron | 第40页 |
| 2.1.3.5 Linear Logistic | 第40-41页 |
| 2.1.3.6 Na?ve Bayes | 第41-42页 |
| 2.1.3.7 Bayesian Network | 第42-44页 |
| 2.2 Single & Multi-algorithm Classification Techniques used for CCFD | 第44-47页 |
| 2.3 General Framework of Credit Card Fraud Detection | 第47-48页 |
| 2.4 Techniques for Handling Class Imbalanced Datasets | 第48-58页 |
| 2.4.1 Algorithm Level Techniques | 第48-50页 |
| 2.4.2 Data Level Techniques | 第50-58页 |
| 2.4.2.1 Under-sampling Techniques | 第51-53页 |
| 2.4.2.2 Over-sampling Techniques | 第53-54页 |
| 2.4.2.3 Ensemble Techniques | 第54-57页 |
| 2.4.2.4 Cost Based Techniques | 第57-58页 |
| 2.5 Related Work | 第58-64页 |
| 2.5.1 Literature Survey for Resampling Techniques and Limitations | 第58-61页 |
| 2.5.2 Literature Survey for Ranking Classification Algorithms using MCDM | 第61-64页 |
| Chapter 3 A Novel Resampling Approach for Credit Card Fraud | 第64-87页 |
| 3.1 Motivation for the Novel Resampling Approach | 第64-65页 |
| 3.2 Locally Centered Mahalanobis Distance | 第65-67页 |
| 3.3 Algorithm for Noisy and Borderline Samples | 第67-68页 |
| 3.3.1 Algorithm for Noisy and Borderline samples | 第67-68页 |
| 3.4 Novel Resampling Approach | 第68-73页 |
| 3.4.1 Novel Under-sampling Approach | 第68-70页 |
| 3.4.2 Over-sampling Approach | 第70-73页 |
| 3.4.2.1 Over-sampling Algorithm | 第71-73页 |
| 3.5 Experimentation | 第73-82页 |
| 3.5.1 Credit Card Data Sets | 第73-75页 |
| 3.5.1.1 Australian Credit Approval (ACA) | 第74页 |
| 3.5.1.2 German Credit Data (GCD) | 第74-75页 |
| 3.5.1.3 Give Me Some Credit (GMSC) | 第75页 |
| 3.5.1.4 PAKDD 2010 | 第75页 |
| 3.5.1.5 Indonesian Credit Card Dataset (ICCD) | 第75页 |
| 3.5.2 Dataset Preparation for Supervised Classification | 第75-77页 |
| 3.5.2.1 Training and Cross-validation Sets | 第76-77页 |
| 3.5.2.2 Testing Set | 第77页 |
| 3.5.3 Evaluation Criteria for Credit Card Datasets | 第77-80页 |
| 3.5.3.1 Performance Measures | 第78-80页 |
| 3.5.4 Experimental Procedure | 第80-82页 |
| 3.6 Results and Discussion | 第82-87页 |
| 3.6.1 Under-sampling Results | 第84-85页 |
| 3.6.2 Over-sampling Results | 第85-87页 |
| Chapter 4 Impact of Class Imbalance in Ranking Classifiers | 第87-115页 |
| 4.1 A Comparative Study of Decision Tree Algorithms for Credit Card Fraud | 第89-95页 |
| 4.1.1 Experimental Design | 第89-90页 |
| 4.1.2 Resampling the Datasets | 第90页 |
| 4.1.3 Feature selection and Classification | 第90页 |
| 4.1.4 Parameter Tuning of Classifiers | 第90-91页 |
| 4.1.5 Results & Discussion | 第91-95页 |
| 4.2 Ranking Classifiers Using MCDM for Imbalanced CCFD | 第95-107页 |
| 4.2.1 Proposed Scheme | 第98-99页 |
| 4.2.1.1 Pre-Processing Phase | 第98页 |
| 4.2.1.2 Data Mining Phase | 第98页 |
| 4.2.1.3 Ranking Phase | 第98-99页 |
| 4.2.2 Experimental Design | 第99-101页 |
| 4.2.3 Results and Discussion | 第101-107页 |
| 4.2.3.1 MCDM Phase | 第103-107页 |
| 4.3 Comparison of Different Ranking Approaches for Classifiers | 第107-115页 |
| Chapter 5 Conclusion | 第115-119页 |
| 5.1 Contributions and Conclusions | 第115-117页 |
| 5.2 Future Work | 第117-119页 |
| Acknowledgement | 第119-120页 |
| References | 第120-136页 |
| Research Results Obtained During the Study for Doctoral Degree | 第136-137页 |
