دور خوارزميات تعلم الالة في كشف الاحتيال المالي الالكتروني تصميم انموذج

Abstract

تهدف هده الدراسة الى التعرف على دور خوارزميات تعلم الالة ومدى فعاليتها في كشف الاحتيال المالي الالكتروني المرتبط بالمعاملات المالية اليومية الرقمية، وذلك باعتباره النوع الأكثر انتشارا في البيئة الجزائرية، وذلك من خلال تصميم أنموذج باستخدام خوارزميةتعلم الالة الغابة العشوائية (RandomForest) بتطبيق جميع مراحل التصميم اللازمة لدراسة عبر برنامج (OrangeDataMining)وتقييم اداءه عبر مقاييس الأداء الشاملة بالإضافة الى تحديد المتغيرات الأكثر تأثيرا في الكشف عن الاحتيال، ولتحقيق ذلك، تم اختيار قاعدة بيانات اصطناعية محاكاة من منصة (kaggle) تخص معاملات مالية لسنة 2023بعنوان (FraudDetectionTransactionsDataset) تضم 50000معاملة مالية و21ميزة منها 18خاصية مستقلة وخاصية تابعة واحدة (FraudLabel). وأظهرت النتائج فعالية أنموذج الدراسة في كشف الاحتيال المالي الالكتروني، حيت حقق دقة كلية بلغت 95,8%وقيمة (Auc)بلغت 99,6%ومعامل ارتباط ما تيوس 90,4%، مما يؤكد أهمية خوارزميات تعلم الالة في دعم المؤسسات المالية وتعزيز أنظمة الحماية والكشف المبكر عن المعاملات الاحتيالية في ظل تطورات عصر التكنولوجيا المالية. This study aims to identify the role of Machine Learning algorithms and evaluate their effectiveness in Detecting electronic financial fraud associated with daily digital financial transaction, as This type of fraud is considered one of the Most widespread in the Algerian environment. This was achieved by designing a model using the Random Forest machine learning Algorithm through applying all the necessary design stages within the orange data mining, evaluating its Performance using comprehensive evaluation metrics, and identifying the most influential variables in fraud detection. To achieve This objective, a Simulated Synthetic Dataset was selected from kaggle platform, The Dataset represents financial transactions for the Year 2023 and contains 50000 financial transactions and 21 features, including 18 independent variables and one dependent variable. The resultes demonstrated the effectiveness of the proposed model in Detecting electronic financial fraud, achieving an overall Accuracy of 95,8%, and Auc value of 99 ,6%, and à Matthews Correlation Cofficient of 90 ,4%, these findings confirm the importance of Machine Learning algorithms in supporting financial institutions, enhancing protection Systems, and enabling the early detection of Fraudulent transactions in light of the developments of the financial technology era.