Le machine learning dans la détection de fraudes bancaires

Details

Supervisors

Desagre, Christophe

Faculty

Louvain School of Management

Degree label

Master [60] en sciences de gestion (horaire décalé)

Abstract

frCe travail analyse dans quelle mesure le feature engineering influence la performance des modèles de machine learning dans la détection de fraudes bancaires. Trois modèles de classification (régression logistique, Random Forest et XGBoost) ont été comparés sur le dataset public Credit Card Fraud Detection (Worldline/ULB), composé de 284 807 transactions dont 0,172 % de fraudes. Les résultats montrent que le feature engineering apporte une amélioration marginale des métriques de performance (+1 à +2 points de F1-score) mais génère un gain computationnel significatif de plus de 40 % sur le temps d'entraînement. XGBoost avec SMOTE s'impose comme la combinaison optimale avec un ROC-AUC de 0.9764 et un F1-score de 0.83. Le choix du modèle et les techniques de rééchantillonnage se révèlent plus déterminants que le feature engineering seul.