Maestro2281488/Anti-Fraud-Detection-Feature-Engineering-Model-Ensemble-XGBoost-CatBoost-
GitHub: Maestro2281488/Anti-Fraud-Detection-Feature-Engineering-Model-Ensemble-XGBoost-CatBoost-
一套端到端的反欺诈特征工程与模型集成方案，旨在以 XGBoost 与 CatBoost 提升对可疑交易的识别精度。
Stars: 0 | Forks: 0
# 反欺诈检测特征工程与模型融合 (XGBoost + CatBoost)
本 Notebook 包含了用于实时识别可疑交易的完整机器学习模型开发流程。主要目标是在保持合法用户高质量服务体验的同时，将欺诈造成的损失降至最低。
工作关键阶段：
深度数据分析 (EDA)：研究类别不平衡以及特征之间的相关性。
Feature Engineering：基于用户行为模式构建新特征，并利用 Feature Crosses 方法挖掘隐藏的依赖关系。
数据准备：处理异常值并进行分类变量处理。
建模：使用 XGBoost 和 CatBoost 库进行梯度提升模型的训练与调优。
指标优化：由于数据存在严重的类别不平衡，工作重心放在了最大化 F1-score 以及分析 Precision-Recall 曲线上，以寻找最佳的分类阈值。
结果：
模型在区分欺诈行为方面表现出强大的能力，这一点已通过验证集上的评估指标得到了证实。
标签：Apex, CatBoost, XGBoost, 反欺诈检测, 数据科学, 机器学习, 特征工程, 资源验证