Мошенничество с кредитными картами чаще встречается при онлайн-покупках, поэтому крайне важно использовать более эффективные способы его обнаружения, чтобы избежать финансовых потерь. В данной статье рассматривается выявление мошенничества с помощью методов генерации синтетических данных для улучшения моделей. Мы используем набор данных о транзакциях по кредитным картам Kaggle, реализуя генерацию синтетических данных с помощью SMOTE для балансировки набора данных, в котором случаи мошенничества составляют всего 0,2% случаев, и проводим разработку признаков для лучшего понимания поведения покупателей. Мы экспериментируем с пятью моделями машинного обучения: XGBoost, LightGBM, Random Forest, Neural Networks и Logistic Regression, уделяя особое внимание точности, полноте, F1-оценке и достоверности. Сравнение показывает, что XGBoost достигает наивысшей F1-оценки (82,57%) при хорошей точности (93,75%) и полноте (73,77%), что свидетельствует о способности XGBoost сбалансировать ложноположительные и ложноотрицательные результаты. Хотя все модели показали высокую точность (более 99,9%), в данном исследовании основное внимание уделяется точности и полноте при выявлении мошенничества. Результаты показывают, что сочетание синтетических данных с алгоритмами градиентного усиления может помочь системам обнаружения мошенничества повысить безопасность онлайн-покупок.