Статья посвящена проблеме дисбаланса классов, возникающей в задачах классификации, где число мошеннических операций значительно меньше, чем количество законных. Объектом исследования являются методы машинного обучения, применяемые для обнаружения финансового мошенничества. Цель исследования – разработать и верифицировать методологию выбора алгоритма и настройки его порога срабатывания, минимизирующую экономический ущерб для заданного соотношения стоимостей ошибок I и II рода. Использованы методы анализа и обобщения научных исследований в области машинного обучения, экспериментальное моделирование и сравнительный анализ. В качестве материалов исследования используется набор данных с финансовыми транзакциями, на котором применяются различные подходы, такие как сэмплирование, алгоритмические и ансамблевые методы. Установлено, что традиционные агрегированные метрики могут вводить в заблуждение относительно качества классификаторов в условиях экстремального дисбаланса классов, тогда как алгоритмические методы с взвешиванием классов и ансамблевые подходы демонстрируют лучшую производительность в выявлении мошеннических операций. В заключение подчеркивается, что правильная обработка несбалансированных данных является не только практической задачей, но и критически важным аспектом для обеспечения экономической безопасности систем. Применение методов, ориентированных на миноритарный класс, позволяет повысить надежность автоматизированных решений в сфере обнаружения финансового мошенничества.
The article is devoted to the problem of class imbalance that occurs in classification problems where the number of fraudulent transactions is significantly less than the number of legitimate ones. The object of the research is machine learning methods used to detect financial fraud. The purpose of the study is to develop and verify a methodology for selecting an algorithm and adjusting its trigger threshold, minimizing economic damage for a given ratio of the costs of errors of the first and second kind. Methods of analysis and generalization of scientific research in the field of machine learning, experimental modeling and comparative analysis are used. The research materials used are a dataset with financial transactions, which uses various approaches such as sampling, algorithmic and ensemble methods. It has been found that traditional aggregated metrics can be misleading about the quality of classifiers in conditions of extreme class imbalance, while algorithmic methods with class weighting and ensemble approaches demonstrate better performance in detecting fraudulent transactions. In conclusion, it is emphasized that the correct processing of unbalanced data is not only a practical task, but also a critical aspect for ensuring the economic security of systems. The use of methods aimed at the minority class makes it possible to increase the reliability of automated solutions in the field of financial fraud detection.
1. Нестерова В. А., Рыбакова В. А. Обзор использования искусственного интеллекта в обнаружении финансового мошенничества // Экономика и парадигма нового времени. 2024. № 1 (22). С. 39–42. EDN: DVKQGX. URL: https://elibrary.ru/DVKQGX (дата обращения: 04.02.2026).
2. Credit Card Fraud Detection: набор данных // Kaggle. [Электронный ресурс]. URL: https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud (дата обращения: 07.01.2026).
3. El Moutaouakil K., Roudani M., El Ouissari A. Optimal Entropy Genetic Fuzzy-C-Means SMOTE (OEGFCM-SMOTE) // Knowledge-Based Systems. 2023. Vol. 262. P. 110235 [Электронный ресурс]. URL: https://elibrary.ru/OKNOSW (дата обращения: 23.03.2026). DOI: 10.1016/j.knosys.2022.110235. EDN: OKNOSW.
4. Прокопчина С. В., Романова Е. В., Никитин П. В., Борисов Н. А. Разработка механизмов выявления мошенничества в финансовой сфере с использованием методов машинного обучения // Информационное право. 2025. № 1 (83). С. 24–29. URL: https://elibrary.ru/ANZZZY (дата обращения: 25.03.2026). EDN: ANZZZY.
5. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, USA. 2016. P. 785–794. DOI: 10.1145/2939672.2939785.
6. Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T. Y. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 3146–3154. URL: https://www.researchgate.net/publication/378480234_LightGBM_A_Highly_Efficient_Gradient_Boosting_Decision_Tree (дата обращения: 07.01.2026).
7. Старовойтов В. В., Голуб Ю. И. Как оценивать результаты классификации несбалансированных больших данных? // Big Data and Advanced Analytics. 2021. № 7–1. С. 272–283. EDN: NNHWLJ.
8. Аркадьева О. Г., Петров А. В. Модели машинного обучения как инструмент обнаружения подозрительных банковских транзакций // Вестник Сургутского государственного университета. 2025. Т. 13. № 3. С. 8–21. EDN: WJGCSO.
9. Baisholan N., Dietz J. E., Gnatyuk S., Turdalyuly M., Matson E. T., Baisholanova K. A Systematic Review of Machine Learning in Credit Card Fraud Detection Under Original Class Imbalance // Computers. 2025. № 14 (10). P. 437. DOI: 10.3390/computers14100437.
10. Salem A. H., Azzam S. M., Emam O. E., Amr A. Abohany. From chaos to clarity: unraveling credit card fraud with BGVOA-LS // J Big Data. 2025. № 12. P. 215. DOI: 10.1186/s40537-025-01274-8.
11. Wai Thar K., Thinn Wai T. Optimized Feature Engineering for Transaction Fraud Detection Using Sequential and HMM-Based Features. Proceedings of The International Conference on Data Science and Official Statistics. 2025. Vol. 1. Р. 126–140. DOI: 10.34123/icdsos.v2025i1.529.
12. Emami Afshar B. From No Labels to Informed Decisions: Improving Active and Semi-Supervised Learning Strategies for Financial Crime Detection // Master’s thesis. University of Ottawa. 2025. DOI: 10.20381/ruor-31406.
13. Зарипова К. И., Нуриев М. Г. Автоматизация процесса предварительной оценки кредитоспособности клиентов коммерческого банка // Russian Journal of Management. 2024. Т. 12. № 4. С. 42–56. EDN: UMDTLF.
14. Shannon Waller, Meilin Zhang, David R Thompson, Xinyi Li. Machine Learning Applications for Fraud Detection and Financial Sentiment // TechRxiv. 2025. DOI: 10.36227/techrxiv.175977613.37831210/v1.
15. Chawla N. V., Bowyer K. W., Hall L. O., Kegelmeyer W. P. SMOTE: Synthetic Minority Over-sampling Technique // Journal of Artificial Intelligence Research. 2002. Vol. 16. P. 321–357. DOI: 10.1613/jair.953.
16. Tian J., Gu H., Liu W. Imbalanced classification using support vector machine ensemble // Neural Computing and Applications. 2011. Vol. 20. Р. 203–209. DOI: 10.1007/s00521-010-0349-9. EDN: CHRJJP.
17. He H., Garcia E. A. Learning from Imbalanced Data // IEEE Transactions on Knowledge and Data Engineering. 2009. Vol. 21. Is. 9. Р. 1263–1284. DOI: 10.1109/TKDE.2008.239. EDN: XWVXEC.
18. A. Dal Pozzolo, Boracchi G., Caelen O., Alippi C., Bontempi G. Credit Card Fraud Detection: A Realistic Modeling and a Novel Learning Strategy // IEEE Transactions on Neural Networks and Learning Systems. 2018. Vol. 29. Is. 8. Р. 3784–3797. DOI: 10.1109/TNNLS.2017.2736643.
19. Walauskis M. A., Khoshgoftaar T. M. Scalable unsupervised labeling with SHAP feature selection for fraud detection in imbalanced data // Journal of Big Data. 2025. № 12. P. 236. EDN: PDESKO. DOI: 10.1186/s40537-025-01248-w.
20. Константинов А. Ф., Дьяконова Л. П. Сравнительный анализ методов снижения дисбаланса классов при построении моделей машинного обучения в финансовом секторе // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 1. С. 143–151. DOI: 10.35330/1991-6639-2025-27-1-143-151. EDN: XRYMDH.
21. Шакиров А. А., Зарипова Р. С. Актуальность обеспечения информационной безопасности в условиях цифровой экономики // Инновационное развитие экономики. Будущее России: сборник материалов и докладов V Всероссийской (национальной) научно-практической конференции. Княгинино, 2018. С. 257–260. EDN: XYGSVF.
22. Злыгостев Д. Д., Зарипова Р. С. Информационная безопасность как инструмент обеспечения экономической безопасности предприятий // Инновации в информационных технологиях, машиностроении и автотранспорте: сборник материалов Международной научно-практической конференции. Кемерово, 2017. С. 23–25. EDN: YMKWBJ.
23. Лукашевич М. М., Клицунова Е. Экспериментальные исследования по применению методов балансировки данных в задачах классификации // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2025. Т. 23. № 5. С. 66–74. DOI: 10.35596/1729-7648-2025-23-5-66-74. EDN: ILZGRN.
24. Боженко В. В., Зорин И. А. Применение методов машинного обучения для обнаружения мошеннических транзакций при несбалансированных данных // Волновая электроника и инфокоммуникационные системы: сборник статей XXVIII Международной научной конференции. СПб., 2025. С. 96–100. EDN: KFFFBB.
25. Галиуллина Э. Р., Шакиров А. А., Зарипова Р. С. Алгоритмы обеспечения безопасности финансовых транзакций в мобильной коммерции // Наука Красноярья. 2019. Т. 8. № 4–3. С. 25–28. EDN: YOUYOE.
26. Исмагилов А. В. Анализ эффективности алгоритмов машинного обучения в выявлении мошенничества в финансовых транзакциях // Инновации и инвестиции. 2024. № 7. С. 521–525. EDN: GBTEHD.
27. Юсупова Р. И., Зарипова Р. С. Подходы к оценке надежности информационных систем // Научно-технический вестник Поволжья. 2023. № 12. С. 659–661. EDN: XCOSPU.
28. Исмагилов И. И., Катасев А. С. Стратегическое управление компанией в условиях цифровизации экономики // Компетентность. 2025. № 4. С. 28–32. EDN: DDTPZS.