VishnuSas21/Fraud_detection_system-using-Machine-Learning

# 使用机器学习的欺诈检测系统 ## 概述 本项目构建了一个使用交易数据的端到端欺诈检测系统。 其目标是检测欺诈性交易，同时在欺诈预防和用户体验之间取得平衡。 ## 数据集 本项目使用的数据集是 PaySim 合成金融数据集。 由于文件大小限制，完整的数据集未包含在此存储库中。 您可以从以下位置下载： https://www.kaggle.com/datasets/ealaxi/paysim1 ## 核心功能 - 利用交易行为进行特征工程 - 使用 SMOTE 处理数据不平衡 - 使用 Logistic Regression、Random Forest 和 XGBoost 进行模型训练 - 基于阈值的决策系统（批准 / 审查 / 阻止） ## 模型性能 - 高召回率以确保检测到大部分欺诈行为 - 强精确度以控制误报 - XGBoost 被选为最佳模型 ## 可视化 - 精确率-召回率曲线 - ROC 曲线 - 混淆矩阵 - 阈值 vs 精确率 & 召回率 ## 业务影响 该模型成功检测到欺诈性交易，同时最大限度地减少误报，使其适用于现实世界的欺诈检测系统。 ## 如何运行 1. 安装依赖项： pip install -r requirements.txt 2. 打开 notebook： fraud_detection_system.ipynb

标签：Apex, BSD, NoSQL, PaySim数据集, Python, ROC曲线, SMOTE, XGBoost, 不平衡数据, 业务风控, 决策系统, 分类算法, 反洗钱, 召回率, 客户体验, 数据挖掘, 数据科学, 无后门, 机器学习, 模型评估, 欺诈检测, 混淆矩阵, 特征工程, 精确率, 误报控制, 资源验证, 逆向工具, 逻辑回归, 金融交易, 金融风控, 阈值优化, 随机森林