tbanjo1/Credit-Card-Fraud-Detection

# 使用机器学习进行信用卡欺诈检测 ## 概述 本项目构建了一个机器学习模型来检测欺诈性的信用卡交易。目标是通过分类算法和侧重于检测性能的评估指标，在高度不平衡的数据集中识别欺诈活动。 ## 问题陈述 信用卡欺诈虽然罕见，但代价高昂。由于类别不平衡，传统的准确率不足以用于评估，因此本项目侧重于使用精确率、召回率和 ROC-AUC 来改进欺诈检测。 ## 数据集 所使用的数据集包含匿名化的信用卡交易记录，并标记为欺诈或合法。 ## 项目工作流 ### 1. 数据预处理 - 处理缺失值（如果有） - 缩放数值特征 - 处理类别不平衡问题 ### 2. 探索性数据分析 (EDA) - 欺诈与非欺诈交易的分布 - 相关性分析 - 特征洞察 ### 3. 特征工程 - 数据归一化 - 特征选择技术 ### 4. 模型构建 实现了以下机器学习模型： - Logistic Regression - Decision Tree Classifier - Random Forest Classifier - Support Vector Machine (SVM) ### 5. 模型评估 使用以下指标对模型进行评估： - Accuracy - Precision - Recall - F1-Score - ROC-AUC Score - 混淆矩阵 ## 结果 对各个模型进行了比较，以确定用于欺诈检测的最佳性能方法。重点放在最大化召回率上，以减少假阴性（漏报的欺诈案例）。 ## 技术栈 - Python - Pandas - NumPy - Scikit-learn - Matplotlib - Jupyter Notebook ## 关键要点 - 对于不平衡数据集，仅凭准确率是不够的 - 集成方法通常在欺诈检测中表现更好 - 特征缩放和预处理对性能有显著影响 ## 展现的技能 - 机器学习 - 数据预处理 - 分类建模 - 不平衡数据集处理 - 模型评估 - 数据可视化 ## 作者 Oluwatobi Banjo ## 许可证 本项目仅用于教育和作品集展示目的。

标签：Apex, NoSQL, Python, Scikit-learn, 分类模型, 数据科学, 无后门, 机器学习, 欺诈检测, 资源验证, 逆向工具, 金融风控