A nem-technikai veszteségek (Non-Technical Loss, NTL) komoly anyagi károkat okoznak az áramszolgáltató vállalatoknak. Az NTL detektálására a szakirodalomban többen is gépi tanulásos osztályozókat használnak. Az NTL detektálására egy valós adathalmazon kezdtünk el dolgozni, melyet egy pakisztáni áramszolgáltató bocsátott a rendelkezésünkre. A dolgozatban egy olyan saját módszert mutatunk be, amivel ki lehet választani – az NTL detektálása céljából – egy adathalmaz jellemzőinek az optimális számát. Azt figyeltük meg, hogy az NTL detektálás szempontjából nem minden jellemző játszik azonos fontosságú szerepet. A dolgozatban bemutatunk egy direkt erre a célra kifejlesztett algoritmust, ill. számos gépi tanulásos módszert hasonlítunk össze annak kiderítése céljából, hogy melyik a leghatékonyabb, valamint melyiket érdemes használni az NTL detektálása céljából.

With the ever-growing demand of electric power, it is quite challenging to detect and prevent Non-Technical Loss (NTL) in power industries. NTL is committed by meter bypassing, hooking from the main lines, reversing and tampering the meters. Many countries suffer huge losses in billions of dollars due to NTL in power supply companies. Manual on-site identification of NTL remains an unattractive strategy due to the required manpower and associated cost. The use of machine learning classifiers has been an attractive option for NTL detection. The literature review has identified the knowledge gap in NTL detection. This gap is surrounded by first finding the best metrics that can identify the top performing classifiers considering the requirements of NTL detection. Secondly, using those metrics finding the best classifiers and the types of the classifiers for NTL detection. Finally, quantifying the impact of feature selection in a real dataset for NTL detection.