kavikumaran555/Bank_Transaction_fraud-detection-with-feature-engineering

# 银行欺诈检测 ML 本项目旨在使用机器学习检测欺诈交易。 我使用了银行交易数据集，并尝试找出有助于识别欺诈的模式。 ## 步骤 1：加载数据 使用 spark 将数据加载到 dataframe 中。  还使用 SQL 在 Databricks 中查看了数据。  ## 步骤 2：理解模式 我检查了不同的列，以查看欺诈是否存在某种模式。 一些特征显示出较弱的模式： * 年龄 * 账户类型 * 设备类型 * 交易类型 * 商户类别 * 位置 示例：       在交易金额中存在一个中等程度的模式：  ## 步骤 3：特征工程 创建了新列以帮助模型更好地理解行为。 * 高金额 * 交易小时 * 夜间交易标志 * 客户交易次数 * 每位客户的平均金额 * 与平均值的差异  ## 步骤 4：准备数据 将特征和目标变量分开。  然后创建了训练集和测试集划分并应用了模型。  ## 步骤 5：模型评估 使用了 Random Forest 模型。 准确率很高，但由于数据集不平衡，欺诈检测率较低。  ## 结论 * 大多数特征的模式较弱 * 特征工程有助于创建更好的信号 * 模型准确率很高，但欺诈的召回率较低 * 需要更好地处理不平衡问题以改善结果 ## 未来改进 * 处理类别不平衡 * 尝试其他模型 * 改进特征工程 * 更加关注欺诈召回率

标签：Apache Spark, Apex, 多线程, 数据科学, 机器学习, 欺诈检测, 特征工程, 资源验证, 逆向工具, 金融风控