711nishtha/financial-fraud-detection-app
GitHub: 711nishtha/financial-fraud-detection-app
一个基于Flask与XGBoost的金融欺诈检测演示应用，展示了离线训练模型如何通过Web界面进行推理与结果沟通。
Stars: 1 | Forks: 0
# 智能欺诈检测 — 演示应用
## 概述
本仓库包含一个基于离线训练金融欺诈检测模型的**演示 Web 应用**。
本项目的**目的**并非展示一个生产就绪的金融科技系统，而是演示机器学习模型如何通过**Web 界面**暴露，以及预测如何从用户输入 → 特征工程 → 模型推理流动，并展示如何将 ML 结果传达给非技术人员。
## 相关工作（事实来源）
本应用使用的机器学习模型在以下仓库中训练与评估：
➡ **Financial Fraud Detection ML**
[https://github.com/711nishtha/financial-fraud-detection-ml](https://github.com/711nishtha/financial-fraud-detection-ml)
该仓库包含：
* 数据集详情（6.36M 笔交易，欺诈率 0.129%）
* 特征工程（从 6 列原始数据生成 29 个特征）
* 模型基准测试（LogReg、RF、GBM、XGBoost、LightGBM）
* 阈值分析与业务模拟
* 离线评估指标与假设
**本应用复用了上述工作的训练产物。**
## 本应用的功能
* 提供用于输入交易属性的**基于 Web 的界面**
* 应用与训练阶段相同的**特征工程逻辑**
* 使用预训练机器学习模型进行推理
* 显示预测的欺诈风险与置信度
* 可视化**离线分析结果**（性能、业务影响、方法论）
本应用旨在作为**学习与演示工具**，而非真实的实时反欺诈产品。
## 本应用**不**做的事
为避免误解，以下内容**明确不在范围内**：
* ❌ 无实时银行集成
* ❌ 无持续模型监控或漂移检测
* ❌ 无时序重训练流水线
* ❌ 无对抗适应处理
* ❌ 无监管、合规或客户摩擦建模
所有显示的指标均来源于**离线实验**，而非实时流量。
## 架构（简化）
```
User Input (Web Form)
↓
Feature Engineering (same logic as ML repo)
↓
Pre-trained Model (offline-trained)
↓
Prediction Output (risk + confidence)
```
后端使用 Flask 实现，并提供单个预测端点。
前端使用 HTML/CSS/JavaScript 模板渲染。
## 部署说明
* 托管在**免费层级云服务**上
* 后端可能出现**冷启动或临时不可用**
* 实时推理偶尔可能失败或延迟
* 所显示的指标**不会实时重新计算**
如果推理不可用，应将该应用视为**系统设计与分析的结构化演示**，而非实时预测器。
## 评估注意事项
模型性能指标（召回率、精确率、AUC、ROI 模拟）：
* 基于**离线测试集**计算
* 假设**欺诈模式稳定**
* 未考虑长期模型漂移
* 不代表生产环境欺诈率
这些限制在 ML 仓库中有详细讨论。
## 目标受众
本项目面向：
* 学习**端到端 ML 系统设计**的学生
* 对**ML 模型如何通过 Web 应用呈现**感兴趣的评审者
* 评估**工程思维**而非仅指标的招聘者
**不**适用于真实的运营反欺诈场景。
## 作者
**Nishtha Sharma**
* 计算机科学本科生
* 专注：机器学习系统 · 数据工程 · 应用机器学习
* GitHub：[https://github.com/711nishtha](https://github.com/711nishtha)
* LinkedIn：[https://www.linkedin.com/in/nishtha711/](https://www.linkedin.com/in/nishtha711/)
## 最后说明
本仓库有意优先保证**工程透明度**，而非过度封装。
如果您正在评审本项目，请将 ML 仓库视为主技术工件，而本应用作为**支持性演示层**。
标签：Apex, Flask, MLOps, Python, XGBoost, 交易特征, 前端界面, 后端开发, 学习演示, 数据科学, 无后门, 机器学习, 模型推理, 模型部署, 演示应用, 特征工程, 离线训练, 置信度, 资源验证, 金融欺诈检测, 非生产环境, 预测展示, 风险预测