ramyasherlydabbala/fraud-detection-ml-pipeline

# 欺诈检测 ML Pipeline 端到端机器学习项目，使用 Random Forest 和 XGBoost 检测欺诈交易，包含模型比较与评估。 ## 概述 本项目构建了一个端到端的机器学习 pipeline 来检测欺诈交易。它通过比较多个模型（Random Forest 和 XGBoost）来提高检测准确率并减少误报。 该 pipeline 包括数据预处理、特征缩放、模型训练、评估，以及使用标准分类指标进行比较。 ## 问题描述 欺诈检测系统通常会产生误报。本项目专注于构建一个模型，在减少不必要警报的同时提高欺诈检测的准确率。 ## 核心亮点 - 构建了用于欺诈检测的端到端 ML pipeline - 比较了多个模型（Random Forest vs XGBoost） - 使用 Accuracy、Precision、Recall 和 F1 Score 进行评估 - 实现了特征缩放与训练集-测试集划分 - 遵循真实世界 ML 工作流构建结构化项目 ## 技术栈 - Python - Pandas - NumPy - Scikit-learn - XGBoost - LightGBM - Matplotlib - Seaborn ## 项目工作流 1. 加载交易数据 2. 清洗与预处理数据 3. 进行特征工程 4. 训练欺诈检测模型 5. 评估模型性能 6. 比较模型结果 ## 项目结构 ``` fraud-detection-ml-pipeline/ │── data/ │── notebooks/ │── src/ │ ├── data_preprocessing.py │ ├── train_model.py │ └── evaluate_model.py │── requirements.txt │── README.md ``` ## 数据集 本项目使用包含特征与欺诈标签的欺诈检测样本数据集。 ## 模型评估 本项目使用以下指标评估欺诈检测模型： - Accuracy - Precision - Recall - F1 Score - Confusion Matrix 比较了两个模型： - Random Forest - XGBoost ## 结果 | 模型 | Accuracy | Precision | Recall | F1 Score | |---------------|----------|----------|--------|----------| | Random Forest | 0.80 | 0.75 | 0.80 | 0.77 | | XGBoost | 0.90 | 0.85 | 0.90 | 0.87 | 对比结果表明，XGBoost 在样本数据集上的表现优于 Random Forest，取得了更高的 precision 和 recall，使其在欺诈检测场景中更加有效。 *注：以上结果基于样本数据集，在真实世界数据中可能有所差异。* ## 如何运行 1. 安装依赖： pip install -r requirements.txt 2. 运行模型： python src/train_model.py

标签：Apex, LightGBM, Matplotlib, ML流水线, NumPy, Python, Scikit-learn, Seaborn, XGBoost, 二分类, 代码示例, 分类算法, 反欺诈, 异常检测, 数据分析, 数据科学, 数据预处理, 无后门, 机器学习, 模型比较, 模型评估, 欺诈检测, 特征工程, 资源验证, 逆向工具, 随机森林, 风控模型