omborse131/UPI_Fraud_Detection

# UPI_Fraud_Detection UPI 欺诈检测系统是一个基于机器学习的应用，通过分析交易数据模式来识别欺诈性的 UPI 交易。使用训练好的随机森林模型和 Flask Web 界面，该系统可以预测交易是正常还是欺诈，有助于增强数字支付系统的金融安全性。 🎯 功能 - 用于欺诈预测的机器学习模型 - 实时交易分析 - 用于用户输入和结果的 Web 界面 - 使用 Joblib 进行模型持久化 - 使用 SHAP（可选）进行可解释性支持 - 轻量级，易于本地运行 🧠 机器学习模型 - 算法：随机森林分类器（来自 scikit-learn） - 在历史 UPI 交易数据集上训练 - 处理不平衡数据 - 保存的模型：model.pkl - 保存的特征列：model_columns.pkl 🛠️ 技术栈 - 后端：Flask - 机器学习库：scikit-learn - 模型序列化：Joblib - 数据处理：pandas - 可解释性（可选）：SHAP - 前端：HTML、CSS 项目结构 upi-fraud-detection/ │ ├── app.py ├── model.pkl ├── model_columns.pkl ├── templates/ │ └── index.html ├── static/ │ └── style.css ├── requirements.txt └── README.md 克隆仓库 git clone cd upi-fraud-detection 创建虚拟环境 python -m venv venv venv\Scripts\activate 3️⃣ 安装依赖 pip install -r requirements.txt 4️⃣ 运行应用 python app.py 在浏览器中打开： http://127.0.0.1:5000/

标签：Apex, CSS, Flask, Joblib, pandas, scikit-learn, SEO: UPI欺诈, SEO: 交易安全, SEO: 金融欺诈检测, SHAP, UPI, 不平衡数据处理, 交易分析, 分类模型, 前端HTML, 可解释性, 多模态安全, 实时检测, 异常检测, 数字支付, 数据科学, 本地部署, 机器学习, 模型持久化, 模型训练, 欺诈检测, 特征工程, 财务欺诈, 资源验证, 逆向工具, 金融安全, 随机森林, 预测系统