abdollahhh23/Fraud-prevention-real-time--Credit-Card-Fraud-Detection-Web-App
GitHub: abdollahhh23/Fraud-prevention-real-time--Credit-Card-Fraud-Detection-Web-App
一个基于Flask和随机森林模型的本地信用卡欺诈检测Web应用，用于模拟实时交易风险评估。
Stars: 0 | Forks: 0
# 实时欺诈预防 — 信用卡欺诈检测 Web 应用
一个简洁、本地托管的 Flask Web 应用，让你能够使用训练好的随机森林模型模拟实时信用卡交易筛查。
## 项目结构
```
fraud_app/
├── app.py ← Flask backend
├── model.pkl ← Your trained model (copy here)
├── requirements.txt
└── templates/
└── index.html ← Frontend UI
```
## 设置说明
### 1. 安装依赖
```
pip install -r requirements.txt
```
### 2. 放置你的模型
将 `model.pkl` 复制到 `fraud_app/` 文件夹（与 `app.py` 同级目录）。
### 3. 运行应用
```
python app.py
```
然后在浏览器中打开：**http://127.0.0.1:5000**
## 🎛️ 工作原理
该模型基于 30 个特征进行训练：`V1–V28`（PCA 降维） + `标准化金额`。由于真实用户无法输入 28 个 PCA 值，应用将 **4 个直观输入** 映射到真实的特征模式：
| 输入 | 描述 |
|---|---|
| **金额 ($)** | 交易价值，已标准化以匹配训练分布 |
| **商户类型** | 类别（杂货店、ATM、奢侈品等）——映射到 PCA 模式 |
| **位置** | 本地 vs. 国际——国际交易使用高风险向量 |
| **时间段** | 白天 vs. 夜间——夜间交易使用风险更高的特征模式 |
这些组合代表了原始 Kaggle 数据集中观察到的真实行为模式（例如，夜间的 ATM 取款是强烈的欺诈信号）。
## 模型信息
- **算法**: 随机森林分类器 (SMOTE 平衡)
- **数据集**: [Kaggle 信用卡欺诈数据集](https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud) — 284,315 笔交易
- **准确率**: 99.98% | **精确率**: 99.97% | **召回率**: 1.0
## 项目结构
```
fraud_app/
├── app.py ← Flask backend
├── model.pkl ← Your trained model (copy here)
├── requirements.txt
└── templates/
└── index.html ← Frontend UI
```
## 设置说明
### 1. 安装依赖
```
pip install -r requirements.txt
```
### 2. 放置你的模型
将 `model.pkl` 复制到 `fraud_app/` 文件夹（与 `app.py` 同级目录）。
### 3. 运行应用
```
python app.py
```
然后在浏览器中打开：**http://127.0.0.1:5000**
## 🎛️ 工作原理
该模型基于 30 个特征进行训练：`V1–V28`（PCA 降维） + `标准化金额`。由于真实用户无法输入 28 个 PCA 值，应用将 **4 个直观输入** 映射到真实的特征模式：
| 输入 | 描述 |
|---|---|
| **金额 ($)** | 交易价值，已标准化以匹配训练分布 |
| **商户类型** | 类别（杂货店、ATM、奢侈品等）——映射到 PCA 模式 |
| **位置** | 本地 vs. 国际——国际交易使用高风险向量 |
| **时间段** | 白天 vs. 夜间——夜间交易使用风险更高的特征模式 |
这些组合代表了原始 Kaggle 数据集中观察到的真实行为模式（例如，夜间的 ATM 取款是强烈的欺诈信号）。
## 模型信息
- **算法**: 随机森林分类器 (SMOTE 平衡)
- **数据集**: [Kaggle 信用卡欺诈数据集](https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud) — 284,315 笔交易
- **准确率**: 99.98% | **精确率**: 99.97% | **召回率**: 1.0标签：Apex, Flask, PCA, Python, SMOTE, 交易风险, 人工智能, 代码示例, 信用卡欺诈, 实时交易筛选, 数据分析, 数据平衡, 数据科学, 无后门, 本地部署, 机器学习, 模拟应用, 欺诈检测, 欺诈预防, 用户模式Hook绕过, 资源验证, 逆向工具, 金融安全, 随机森林