随着近几年互联网技术的快速发展,在线交易业务爆发式增长。如今,第三方支付服务交易方式已成为当前最重要的支付方式之一。交易订单的增多与交易金额的大幅提升,随之而来的在线交易欺诈行为时有发生,这给交易平台与个人用户造成了严重的损失。因此,如何有效地识别交易欺诈行为,成为了亟待解决的问题。随着数据挖掘与机器学习相关技术的发展,将该技术应用于欺诈交易识别已经成为相关领域的研究趋势。逻辑回归、支持向量机和神经网络等算法被越来越多的应用到交易欺诈检测的领域。然而,欺诈交易数据具有类别分布高度不平衡的特点。欺诈交易与正常交易相比数量非常少,并且一些欺诈交易与正常交易行为的差异不大。这使得数据挖掘技术中传统的分类器难以从海量的正常交易样本中分类出少数异常的欺诈交易。针对上述问题,本文提出了基于倾斜随机森林的交易欺诈检测模型,并根据模型设计了TFDORF算法(Transaction Fraud Detection Algorithm Based on Oblique Random Forests)。本文从如下两个关键点进行研究:1.交易欺诈检测模型与算法研究。针对交易欺诈检测存在交易数据纬度高、样本类不平衡的角度考虑,本文提出了基于倾斜随机森林的交易欺诈检测模型。交易数据在训练分类器之前,需要对主要特征进行筛选,以及对不平衡数据进行处理。采用倾斜随机森立作为欺诈检测分类器,并设计欺诈识别方法。针对基于倾斜随机森林的交易欺诈检测模型,本文设计了TFDORF算法,最终达到交易欺诈检测的目的。2.不平衡数据处理与分类器构建研究。针对不平衡数据处理问题,本文采用基于KMeans聚类的邻域清理方法。根据欠采样的思想,将冗余的正常交易元组删除,以此平衡样本类分布。本文在随机森林的基础上进行改进,提出了基于逻辑回归的倾斜随机森林作为交易欺诈检测的分类器。使用逻辑回归决策边界替代决策树单个属性分裂准则,使得分类器可以更好的适应数据的空间结构,有效地提高了随机森林对欺诈交易行为的识别率。并根据倾斜随机森林设计了欺诈交易识别方法。本文选择了kaggle中Fraud Detection数据集进行实验测试。采用了TPR、FPR、F1-score等分类指标来衡量TFDORF算法对欺诈行为的识别效果。结果表明,TFDORF算法可以有效地应用于交易欺诈检测中。与传统算法相比可以看出,TFDORF算法对交易欺诈检测的综合预测能力有显著的提升。