{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5462238"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5462238","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Fraud detection on transactional data with machine learning models","abstract":"Η απάτη στις ψηφιακές πληρωμές αποτελεί μια διαρκώς εξελισσόμενη απειλή, η οποία γίνεται ολοένα και πιο επικίνδυνη λόγω του τεράστιου όγκου συναλλαγών σήμερα και του γεγονότος ότι τα περιστατικά απάτης είναι σπάνια σε σχέση με τις νόμιμες συναλλαγές. Η παρούσα διπλωματική εργασία αναπτύσσει και αξιολογεί ένα εποπτευόμενο σύστημα μηχανικής μάθησης για τον εντοπισμό απάτης σε συναλλαγές με πιστωτική κάρτα, χρησιμοποιώντας το σύνολο δεδομένων IEEE-CIS, το οποίο περιλαμβάνει σύνθετα δεδομένα σχετικά με συσκευές, ταυτότητες και κατασκευασμένα χαρακτηριστικά. Το σύστημα εστιάζει σε τρία μοντέλα ενισχυμένης μάθησης δένδρων (XGBoost, LightGBM και CatBoost) και χρησιμοποιεί χρονικά βασισμένο πειραματικό σχεδιασμό ώστε να προσομοιάζει ρεαλιστικές συνθήκες ανάπτυξης. Αυτό περιλάμβανε χρονολογικό διαχωρισμό των δεδομένων και διασταυρούμενη επικύρωση χρονοσειρών για τη ρύθμιση υπερπαραμέτρων. Για τη μέτρηση της απόδοσης δίνεται προτεραιότητα στο εμβαδόν κάτω από την καμπύλη ROC, ενώ εξετάζονται επίσης το εμβαδόν κάτω από την καμπύλη ακρίβειας-ανάκλησης, η ακρίβεια, η ανάκληση και ο δείκτης F1, ώστε να αποτυπωθούν οι πρακτικοί συμβιβασμοί. Η έρευνα διερευνά τέσσερις βασικές κατευθύνσεις: (i) εκπαίδευση με τα αρχικά, έντονα μη ισορροπημένα δεδομένα, (ii) υποδειγματοληψία της πλειονότητας των κλάσεων με αναλογία 1:5 για την εξισορρόπησή τους, (iii) μείωση χαρακτηριστικών με βάση τη συμφωνία των διαφορετικών μοντέλων ως προς τη σημασία τους, και (iv) προσαρμογή του κατωφλίου απόφασης για τον εντοπισμό περισσότερων περιπτώσεων απάτης. Ένα βασικό εύρημα είναι ότι τα κατασκευασμένα αθροιστικά και συμπεριφορικά χαρακτηριστικά συμβάλλουν καθοριστικά στην απόδοση, καθώς συχνά κατατάσσονται στους πιο πληροφοριακούς προβλεπτικούς παράγοντες και αποτυπώνουν λεπτά μοτίβα συναλλαγών που τα αρχικά πεδία δεν αναδεικνύουν. Τα αποτελέσματα δείχνουν ότι το LightGBM είναι το πιο αξιόπιστο μοντέλο (εμβαδόν κάτω από την καμπύλη ROC ≈ 0,918–0,919). Η υποδειγματοληψία βοήθησε τα μοντέλα να εντοπίζουν καλύτερα τα μοτίβα απάτης, ενώ η μείωση χαρακτηριστικών διατήρησε την αποδοτικότητα του συστήματος χωρίς απώλεια διακριτικής ικανότητας. Τα αποτελέσματα καταδεικνύουν επίσης ότι η μείωση του κατωφλίου απόφασης αυξάνει σημαντικά την ανάκληση των περιπτώσεων απάτης, με αντίστοιχη μείωση της ακρίβειας, γεγονός που υπογραμμίζει ότι το επιχειρησιακό κατώφλι πρέπει να βαθμονομείται με βάση την ασύμμετρη κατανομή κόστους που χαρακτηρίζει κάθε οργανισμό, μεταξύ μη εντοπισμένων περιπτώσεων απάτης και επιβάρυνσης από την επανεξέταση ψευδώς θετικών ειδοποιήσεων.","abstract_html":"Η απάτη στις ψηφιακές πληρωμές αποτελεί μια διαρκώς εξελισσόμενη απειλή, η οποία γίνεται ολοένα και πιο επικίνδυνη λόγω του τεράστιου όγκου συναλλαγών σήμερα και του γεγονότος ότι τα περιστατικά απάτης είναι σπάνια σε σχέση με τις νόμιμες συναλλαγές. Η παρούσα διπλωματική εργασία αναπτύσσει και αξιολογεί ένα εποπτευόμενο σύστημα μηχανικής μάθησης για τον εντοπισμό απάτης σε συναλλαγές με πιστωτική κάρτα, χρησιμοποιώντας το σύνολο δεδομένων IEEE-CIS, το οποίο περιλαμβάνει σύνθετα δεδομένα σχετικά με συσκευές, ταυτότητες και κατασκευασμένα χαρακτηριστικά. Το σύστημα εστιάζει σε τρία μοντέλα ενισχυμένης μάθησης δένδρων (XGBoost, LightGBM και CatBoost) και χρησιμοποιεί χρονικά βασισμένο πειραματικό σχεδιασμό ώστε να προσομοιάζει ρεαλιστικές συνθήκες ανάπτυξης. Αυτό περιλάμβανε χρονολογικό διαχωρισμό των δεδομένων και διασταυρούμενη επικύρωση χρονοσειρών για τη ρύθμιση υπερπαραμέτρων. Για τη μέτρηση της απόδοσης δίνεται προτεραιότητα στο εμβαδόν κάτω από την καμπύλη ROC, ενώ εξετάζονται επίσης το εμβαδόν κάτω από την καμπύλη ακρίβειας-ανάκλησης, η ακρίβεια, η ανάκληση και ο δείκτης F1, ώστε να αποτυπωθούν οι πρακτικοί συμβιβασμοί. Η έρευνα διερευνά τέσσερις βασικές κατευθύνσεις: (i) εκπαίδευση με τα αρχικά, έντονα μη ισορροπημένα δεδομένα, (ii) υποδειγματοληψία της πλειονότητας των κλάσεων με αναλογία 1:5 για την εξισορρόπησή τους, (iii) μείωση χαρακτηριστικών με βάση τη συμφωνία των διαφορετικών μοντέλων ως προς τη σημασία τους, και (iv) προσαρμογή του κατωφλίου απόφασης για τον εντοπισμό περισσότερων περιπτώσεων απάτης. Ένα βασικό εύρημα είναι ότι τα κατασκευασμένα αθροιστικά και συμπεριφορικά χαρακτηριστικά συμβάλλουν καθοριστικά στην απόδοση, καθώς συχνά κατατάσσονται στους πιο πληροφοριακούς προβλεπτικούς παράγοντες και αποτυπώνουν λεπτά μοτίβα συναλλαγών που τα αρχικά πεδία δεν αναδεικνύουν. Τα αποτελέσματα δείχνουν ότι το LightGBM είναι το πιο αξιόπιστο μοντέλο (εμβαδόν κάτω από την καμπύλη ROC ≈ 0,918–0,919). Η υποδειγματοληψία βοήθησε τα μοντέλα να εντοπίζουν καλύτερα τα μοτίβα απάτης, ενώ η μείωση χαρακτηριστικών διατήρησε την αποδοτικότητα του συστήματος χωρίς απώλεια διακριτικής ικανότητας. Τα αποτελέσματα καταδεικνύουν επίσης ότι η μείωση του κατωφλίου απόφασης αυξάνει σημαντικά την ανάκληση των περιπτώσεων απάτης, με αντίστοιχη μείωση της ακρίβειας, γεγονός που υπογραμμίζει ότι το επιχειρησιακό κατώφλι πρέπει να βαθμονομείται με βάση την ασύμμετρη κατανομή κόστους που χαρακτηρίζει κάθε οργανισμό, μεταξύ μη εντοπισμένων περιπτώσεων απάτης και επιβάρυνσης από την επανεξέταση ψευδώς θετικών ειδοποιήσεων.","abstract_has_math":false,"creators":["ΚΟΥΤΣΟΜΠΙΝΑΣ ΚΩΝΣΤΑΝΤΙΝΟΣ","KOUTSOMPINAS KONSTANTINOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:21:17Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5462238"],"render_values":[{"text":"uoadl:5462238","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5462238","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5462238","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5462238","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΟΥΤΣΟΜΠΙΝΑΣ ΚΩΝΣΤΑΝΤΙΝΟΣ","KOUTSOMPINAS KONSTANTINOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5462238","https://pergamos.lib.uoa.gr/uoa/dl/object/5462238"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η απάτη στις ψηφιακές πληρωμές αποτελεί μια διαρκώς εξελισσόμενη απειλή, η οποία γίνεται ολοένα και πιο επικίνδυνη λόγω του τεράστιου όγκου συναλλαγών σήμερα και του γεγονότος ότι τα περιστατικά απάτης είναι σπάνια σε σχέση με τις νόμιμες συναλλαγές. Η παρούσα διπλωματική εργασία αναπτύσσει και αξιολογεί ένα εποπτευόμενο σύστημα μηχανικής μάθησης για τον εντοπισμό απάτης σε συναλλαγές με πιστωτική κάρτα, χρησιμοποιώντας το σύνολο δεδομένων IEEE-CIS, το οποίο περιλαμβάνει σύνθετα δεδομένα σχετικά με συσκευές, ταυτότητες και κατασκευασμένα χαρακτηριστικά. Το σύστημα εστιάζει σε τρία μοντέλα ενισχυμένης μάθησης δένδρων (XGBoost, LightGBM και CatBoost) και χρησιμοποιεί χρονικά βασισμένο πειραματικό σχεδιασμό ώστε να προσομοιάζει ρεαλιστικές συνθήκες ανάπτυξης. Αυτό περιλάμβανε χρονολογικό διαχωρισμό των δεδομένων και διασταυρούμενη επικύρωση χρονοσειρών για τη ρύθμιση υπερπαραμέτρων. Για τη μέτρηση της απόδοσης δίνεται προτεραιότητα στο εμβαδόν κάτω από την καμπύλη ROC, ενώ εξετάζονται επίσης το εμβαδόν κάτω από την καμπύλη ακρίβειας-ανάκλησης, η ακρίβεια, η ανάκληση και ο δείκτης F1, ώστε να αποτυπωθούν οι πρακτικοί συμβιβασμοί. Η έρευνα διερευνά τέσσερις βασικές κατευθύνσεις: (i) εκπαίδευση με τα αρχικά, έντονα μη ισορροπημένα δεδομένα, (ii) υποδειγματοληψία της πλειονότητας των κλάσεων με αναλογία 1:5 για την εξισορρόπησή τους, (iii) μείωση χαρακτηριστικών με βάση τη συμφωνία των διαφορετικών μοντέλων ως προς τη σημασία τους, και (iv) προσαρμογή του κατωφλίου απόφασης για τον εντοπισμό περισσότερων περιπτώσεων απάτης. Ένα βασικό εύρημα είναι ότι τα κατασκευασμένα αθροιστικά και συμπεριφορικά χαρακτηριστικά συμβάλλουν καθοριστικά στην απόδοση, καθώς συχνά κατατάσσονται στους πιο πληροφοριακούς προβλεπτικούς παράγοντες και αποτυπώνουν λεπτά μοτίβα συναλλαγών που τα αρχικά πεδία δεν αναδεικνύουν. Τα αποτελέσματα δείχνουν ότι το LightGBM είναι το πιο αξιόπιστο μοντέλο (εμβαδόν κάτω από την καμπύλη ROC ≈ 0,918–0,919). Η υποδειγματοληψία βοήθησε τα μοντέλα να εντοπίζουν καλύτερα τα μοτίβα απάτης, ενώ η μείωση χαρακτηριστικών διατήρησε την αποδοτικότητα του συστήματος χωρίς απώλεια διακριτικής ικανότητας. Τα αποτελέσματα καταδεικνύουν επίσης ότι η μείωση του κατωφλίου απόφασης αυξάνει σημαντικά την ανάκληση των περιπτώσεων απάτης, με αντίστοιχη μείωση της ακρίβειας, γεγονός που υπογραμμίζει ότι το επιχειρησιακό κατώφλι πρέπει να βαθμονομείται με βάση την ασύμμετρη κατανομή κόστους που χαρακτηρίζει κάθε οργανισμό, μεταξύ μη εντοπισμένων περιπτώσεων απάτης και επιβάρυνσης από την επανεξέταση ψευδώς θετικών ειδοποιήσεων.","Fraud in digital payments is a constantly evolving threat, made more dangerous by the massive volume of transactions nowadays, and the fact that fraudulent cases are rare compared to legitimate ones. This thesis builds and tests a supervised machine learning pipeline for credit card fraud detection using the IEEE-CIS dataset, which includes complex data on devices, identities, and custom-built features. The pipeline is focused on three gradient boosting models (XGBoost, LightGBM, and CatBoost) and a time-based experimental setup is used to simulate a real-world launch. This involved splitting data chronologically and using time-series cross-validation for tuning. To measure success, ROC-AUC is prioritized, but also PR-AUC, precision, recall, and F1-score are examined to understand the practical trade-offs. The research explores four main areas: (i) working with the original imbalanced data, (ii) using a 1:5 downsampling ratio to balance the classes, (iii) cutting down features based on where the different models agreed on importance, and (iv) adjusting decision thresholds to catch more fraud. A key finding is that the engineered behavioral and aggregate features contribute heavily to model performance, often ranking among the most informative predictors by capturing subtle transaction patterns that raw fields miss. The results indicate that LightGBM is the most reliable model (ROC-AUC ≈ 0.918–0.919). Downsampling helped the models learn the \"fraud\" patterns better, while feature reduction kept the system fast without losing accuracy. The results further demonstrate that decision threshold reduction substantially increases fraud recall, at the cost of a proportional decline in precision, underscoring that the operational threshold must be calibrated against institution-specific cost asymmetries between missed fraud and false positive review burden."]},{"key":"dc:title","label":"Title","values":["Fraud detection on transactional data with machine learning models"]}]}],"canonical_facts":{"dc:creator":["ΚΟΥΤΣΟΜΠΙΝΑΣ ΚΩΝΣΤΑΝΤΙΝΟΣ","KOUTSOMPINAS KONSTANTINOS"],"dc:date":["2026"],"dc:description":["Η απάτη στις ψηφιακές πληρωμές αποτελεί μια διαρκώς εξελισσόμενη απειλή, η οποία γίνεται ολοένα και πιο επικίνδυνη λόγω του τεράστιου όγκου συναλλαγών σήμερα και του γεγονότος ότι τα περιστατικά απάτης είναι σπάνια σε σχέση με τις νόμιμες συναλλαγές. Η παρούσα διπλωματική εργασία αναπτύσσει και αξιολογεί ένα εποπτευόμενο σύστημα μηχανικής μάθησης για τον εντοπισμό απάτης σε συναλλαγές με πιστωτική κάρτα, χρησιμοποιώντας το σύνολο δεδομένων IEEE-CIS, το οποίο περιλαμβάνει σύνθετα δεδομένα σχετικά με συσκευές, ταυτότητες και κατασκευασμένα χαρακτηριστικά. Το σύστημα εστιάζει σε τρία μοντέλα ενισχυμένης μάθησης δένδρων (XGBoost, LightGBM και CatBoost) και χρησιμοποιεί χρονικά βασισμένο πειραματικό σχεδιασμό ώστε να προσομοιάζει ρεαλιστικές συνθήκες ανάπτυξης. Αυτό περιλάμβανε χρονολογικό διαχωρισμό των δεδομένων και διασταυρούμενη επικύρωση χρονοσειρών για τη ρύθμιση υπερπαραμέτρων. Για τη μέτρηση της απόδοσης δίνεται προτεραιότητα στο εμβαδόν κάτω από την καμπύλη ROC, ενώ εξετάζονται επίσης το εμβαδόν κάτω από την καμπύλη ακρίβειας-ανάκλησης, η ακρίβεια, η ανάκληση και ο δείκτης F1, ώστε να αποτυπωθούν οι πρακτικοί συμβιβασμοί. Η έρευνα διερευνά τέσσερις βασικές κατευθύνσεις: (i) εκπαίδευση με τα αρχικά, έντονα μη ισορροπημένα δεδομένα, (ii) υποδειγματοληψία της πλειονότητας των κλάσεων με αναλογία 1:5 για την εξισορρόπησή τους, (iii) μείωση χαρακτηριστικών με βάση τη συμφωνία των διαφορετικών μοντέλων ως προς τη σημασία τους, και (iv) προσαρμογή του κατωφλίου απόφασης για τον εντοπισμό περισσότερων περιπτώσεων απάτης. Ένα βασικό εύρημα είναι ότι τα κατασκευασμένα αθροιστικά και συμπεριφορικά χαρακτηριστικά συμβάλλουν καθοριστικά στην απόδοση, καθώς συχνά κατατάσσονται στους πιο πληροφοριακούς προβλεπτικούς παράγοντες και αποτυπώνουν λεπτά μοτίβα συναλλαγών που τα αρχικά πεδία δεν αναδεικνύουν. Τα αποτελέσματα δείχνουν ότι το LightGBM είναι το πιο αξιόπιστο μοντέλο (εμβαδόν κάτω από την καμπύλη ROC ≈ 0,918–0,919). Η υποδειγματοληψία βοήθησε τα μοντέλα να εντοπίζουν καλύτερα τα μοτίβα απάτης, ενώ η μείωση χαρακτηριστικών διατήρησε την αποδοτικότητα του συστήματος χωρίς απώλεια διακριτικής ικανότητας. Τα αποτελέσματα καταδεικνύουν επίσης ότι η μείωση του κατωφλίου απόφασης αυξάνει σημαντικά την ανάκληση των περιπτώσεων απάτης, με αντίστοιχη μείωση της ακρίβειας, γεγονός που υπογραμμίζει ότι το επιχειρησιακό κατώφλι πρέπει να βαθμονομείται με βάση την ασύμμετρη κατανομή κόστους που χαρακτηρίζει κάθε οργανισμό, μεταξύ μη εντοπισμένων περιπτώσεων απάτης και επιβάρυνσης από την επανεξέταση ψευδώς θετικών ειδοποιήσεων.","Fraud in digital payments is a constantly evolving threat, made more dangerous by the massive volume of transactions nowadays, and the fact that fraudulent cases are rare compared to legitimate ones. This thesis builds and tests a supervised machine learning pipeline for credit card fraud detection using the IEEE-CIS dataset, which includes complex data on devices, identities, and custom-built features. The pipeline is focused on three gradient boosting models (XGBoost, LightGBM, and CatBoost) and a time-based experimental setup is used to simulate a real-world launch. This involved splitting data chronologically and using time-series cross-validation for tuning. To measure success, ROC-AUC is prioritized, but also PR-AUC, precision, recall, and F1-score are examined to understand the practical trade-offs. The research explores four main areas: (i) working with the original imbalanced data, (ii) using a 1:5 downsampling ratio to balance the classes, (iii) cutting down features based on where the different models agreed on importance, and (iv) adjusting decision thresholds to catch more fraud. A key finding is that the engineered behavioral and aggregate features contribute heavily to model performance, often ranking among the most informative predictors by capturing subtle transaction patterns that raw fields miss. The results indicate that LightGBM is the most reliable model (ROC-AUC ≈ 0.918–0.919). Downsampling helped the models learn the \"fraud\" patterns better, while feature reduction kept the system fast without losing accuracy. The results further demonstrate that decision threshold reduction substantially increases fraud recall, at the cost of a proportional decline in precision, underscoring that the operational threshold must be calibrated against institution-specific cost asymmetries between missed fraud and false positive review burden."],"dc:identifier":["uoadl:5462238","https://pergamos.lib.uoa.gr/uoa/dl/object/5462238"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Fraud detection on transactional data with machine learning models"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:21:17Z"}