One of today`s most quickly developing technologies is the Internet of Things (IoT). There are now more threats and risks to its security than ever before. In order to tackle present and future IoT issues, machine learning is an effective technology that can be used to identify risks and threats in intelligent systems. In today’s world, credit card is the most popular payment mode for both online and offline. Consumers rely on online shopping and online bill payment, which cases of fraud associated with it are also increasing. With the developments in the communication channels, fraud is spreading all over the world resulting in huge financial losses. Fraud detection is the essential tool and probably the best way to stop fraud types. There is a technique of finding an optimal solution for a problem and implicitly generate the results using machine learning and genetic algorithm. The aim is to develop a model to detect fraudulent transactions and improves a credit card fraud detection solution with some machine learning algorithms such as GA, DT, LR, KNN, SVC, and ANN based on the RUST and SMOTE techniques. The experiments are conducted on the BCCFDD and DCCCD datasets to analyze the model using the dimension reduction transformers (T-SNE, PCA, and Truncated SVD). The performance of the classification model analyzed in terms of confusion matrix, the model ROC curve analysis, and accuracy. The evaluation finding is analyzed and compared. As proof of concept, a Credit Card Fraud Detection System (CCFDS) is developed to detect the credit card fraud based on the principles of the GA and showed the effectiveness of proposed approach. This algorithm is an optimization technique and evolutionary search based on the principles of genetic and natural selection, heuristic used to solve high complexity computational problems.

In recent years, the Internet of Things has played a dominant role in various real-time problems and given solutions via sensor signals. Monitoring the patient health status of Internet of Medical Things (IoMT) facilitates communication between wearable sensor devices and patients through a wireless network. Heart illness is one of the reasons for the increasing death rate in the world. Diagnosing the disease is done by the fusion of multi-sensor device signals. Much research has been done in predicting the disease and treating it correctly. However, the issues are accuracy, consumption time, and inefficiency. To overcome these issues, this paper proposed an efficient algorithm for fusing the multi-sensor signals from wearable sensor devices, classifying the medical signal data and predicting heart disease using the hybrid technique of kernel random forest with the Black Hole Optimization algorithm (KRF-BHO). This KRF-BHO is used for sensor data fusion, while XG-Boost is used to classify echocardiogram images. Accuracy in the training phase with multi-sensor data fusion data set of proposed work KRF-BHO with XGBoost classifier is 94.12%; in the testing phase, the accuracy rate is 95.89%. Similarly, for the Cleveland Dataset, the proposed work KRF-BHO with XGBoost classifier is 95.78%; in the testing phase, the accuracy rate is 96.21%.