基于机器学习的信用卡欺诈检测系统设计随着数字支付规模持续扩大,信用卡欺诈已成为全球金融安全的重大威胁。据2023年Nilson Report统计,全球因支付欺诈造成的损失高达410亿美元,其中约68%源于未被及时识别的异常交易。传统基于规则引擎的检测方法存在误报率高、泛化能力弱、难以应对新型欺诈模式等固有缺陷。本文针对高度不平衡(欺诈样本占比常低于0.1%)、高维稀疏、实时性要求严苛的信用卡交易数据特点,设计并实现了一套端到端的智能欺诈检测系统。系统采用SMOTE-Tomek Links过采样+特征工程优化策略缓解类别失衡问题;构建集成学习