Zastosowanie metod uczenia maszynowego (ML) w wieloczynnikowej autoryzacji staje się coraz popularniejsze. Jednakże w literaturze brakuje wszechstronnej metodologii oceny systemów biometrycznych opartych na uczeniu maszynowym. Niniejsza praca proponuje ogólną metodologię oceny systemów opartych na ML w zakresie rozpoznawania/wykrywania oszustów za pomocą cech biometrycznych. Obejmuje to tworzenie zbiorów uczących i testowych z odpowiednim równowagą wielkości (proporcji) między tymi zbiorami, wybór liczby instancji pochodzących od różnych użytkowników, ocenę wpływu liczby oszustów na ich wskaźnik wykrywalności oraz wpływ liczby rekordów reprezentujących zachowanie użytkownika. Ponadto proponujemy, w jaki sposób rzeczywiste dane (ewentualnie dotknięte próbami przejęcia konta) mogą być wykorzystane do rozszerzenia danych rejestracyjnych w celu wsparcia wykrywania oszustów. Proponowane podejście zostało wykorzystane do systematycznej porównania szerokiego zakresu metod ML i statystycznych.