AdilMalook/Credit-Card-Fraud-Detection-Using-Machine-Learning

任务 07 — 使用机器学习进行信用卡欺诈检测 1.数据集 - 10,000 笔信用卡交易 | 特征：金额 (amount)、交易小时 (transaction_hour)、商户类别 (merchant_category)、境外交易 (foreign_transaction)、位置不匹配 (location_mismatch)、设备信任得分 (device_trust_score)、过去 24 小时频次 (velocity_last_24h)、持卡人年龄 (cardholder_age) - 目标：is_fraud (1 = 欺诈，0 = 正常) - 类别不平衡：1.51% 欺诈 | 98.49% 正常 2. 训练的模型（共 5 个） i. Logistic Regression ii. Decision Tree iii. Random Forest iv. K-Nearest Neighbors (KNN) v. XGBoost（额外增强） 3. 关键技术 - SMOTE：合成少数类过采样以平衡类别 - StandardScaler：针对基于距离的模型进行特征缩放 - Label Encoding：将 merchant_category 转换为数值 - 评估：Accuracy、Precision、Recall、F1-Score、ROC-AUC、混淆矩阵 (Confusion Matrix) 4. - 将 XGBoost 作为第 5 个模型（总体性能最佳） - 在一张图表上对比所有 5 个模型的 ROC-AUC 曲线 - 特征重要性分析（Random Forest） 5. 结果 - 最佳模型：XGBoost（F1-Score 和 ROC-AUC 最高） - 关键欺诈信号：location_mismatch、foreign_transaction、device_trust_score 6. 生成的可视化图表 7. 类别分布（饼图 + 柱状图） 8. 欺诈与正常的金额分布 9. 按商户类别的欺诈率 10. 按交易小时的欺诈率 11. 特征相关性热力图 12. 风险因素：境外、位置不匹配、设备信任度 13. 模型性能比较（所有指标） 14. 混淆矩阵（所有 5 个模型） 15. ROC-AUC 曲线（所有 5 个模型） 16. 特征重要性（Random Forest） 作者：Adil Malook

标签：Apex, XGBoost, 分类模型, 数据科学, 机器学习, 欺诈检测, 资源验证, 逆向工具, 金融风控