EduardoVad/revolut-fraud-detection

# Revolut 欺诈检测 基于虚构的 Revolut 银行数据进行的 StrataScratch 数据科学挑战。 ## 目标 构建一个机器学习模型，从虚构的银行数据中识别欺诈用户。 ## 数据 - `users.csv` — 包含 KYC 状态、国家和账户详情的用户资料 - `transactions.csv` — 包含金额、类型和货币的交易历史 ## 方法 1. **EDA** — 探索了 KYC 状态、交易类型和用户行为中的欺诈模式 2. **特征工程** — 基于欺诈行为假设，从两个数据集中构建了用户级特征 3. **建模** — 比较了逻辑回归、随机森林和梯度提升 4. **超参数调优** — 使用 GridSearchCV，以召回率作为优化指标 ## 关键发现 - PENDING KYC 用户的欺诈率最高，达到 21% - 欺诈者更倾向于使用 ATM 和 TOPUP 交易 - 欺诈者的登录失败尝试次数是正常用户的两倍 - 选择了随机森林作为最终模型 — 在召回率和精确率之间取得了最佳平衡 ## 技术栈 Python、pandas、scikit-learn、matplotlib

标签：Apex, ATM交易, EDA, Gradient Boosting, GridSearchCV, KYC, Logistic Regression, matplotlib, pandas, Python, Random Forest, Recall优化, scikit-learn, StrataScratch, TOPUP交易, 交易分析, 交易类型分析, 分类模型, 反洗钱, 失败登录尝试, 数据探索, 数据科学挑战, 数据预处理, 无后门, 机器学习, 模型比较, 欺诈检测, 特征工程, 用户画像, 账户行为, 逆向工具, 金融科技, 银行数据