Проведено порівняльний аналіз семи популярних алгоритмів машинного навчання: лінійної регресії, дерева рішень, випадкового лісу (Random Forest), нейронних мереж, градієнтного бустингу (Gradient Boosting), XGBoost та SVC. Ключові результати дослідження показали, що ансамблеві методи демонструють найвищу ефективність у виявленні шахрайства: Random Forest, Gradient Boosting та XGBoost виявилися найбільш доцільними для задач виявлення шахрайства, демонструючи стабільно високі результати. Це особливо важливо з огляду на типовий дисбаланс класів (невелика кількість шахрайських транзакцій порівняно з легітимними) у реальних фінансових даних. Ефективність моделей значно перевершує інші розглянуті алгоритми, що вказує на їхню здатність виявляти складні, неочевидні закономірності в даних. Було підтверджено критичну важливість правильного налаштування гіперпараметрів моделей та урахування дисбалансу класів для досягнення максимальної точності та повноти виявлення шахрайських транзакцій.