gussgary/Financial-Fraud-Detection

本项目基于 IEEE-CIS Financial Transaction Dataset，使用机器学习开发了一个欺诈检测系统。目标如下： 1. 对交易数据和身份数据进行探索性数据分析 2. 进行特征工程以提升欺诈信号检测能力 3. 使用 SMOTE、ADASYN 和 RUS 技术处理类别不平衡问题 4. 训练并评估多种 ML 模型（XGBoost、Random Forest、Logistic Regression） 5. 基于 AUC-ROC 和 F1-Score 识别表现最佳的模型 6. 导出结果以用于 Power BI 仪表板可视化

标签：ADASYN, Apex, AUC-ROC, F1-Score, IEEE-CIS数据集, Power BI, Python, RUS, SMOTE, UTeM, XGBoost, 反欺诈, 探索性数据分析, 数据科学, 无后门, 机器学习, 模型评估, 欠采样, 欺诈检测, 特征工程, 硕士论文, 类别不平衡, 资源验证, 过采样, 逆向工具, 逻辑回归, 金融风控, 随机森林