OmShelar2004/FraudShield-AI

# 🛡️ FraudShield AI 一个基于 AI 的信用卡欺诈检测系统，使用机器学习构建，旨在高精度地识别欺诈交易并提供智能欺诈风险评估。 ## 🚀 项目概述 FraudShield AI 使用机器学习分类算法预测信用卡交易是 **合法** 还是 **欺诈**。 本项目遵循端到端的机器学习 pipeline，包括： - 数据探索 - 数据预处理 - 特征缩放 - 分类模型 - 模型评估 - 可解释 AI - 交互式 Streamlit 仪表板 ## 📊 数据集 数据集：信用卡欺诈检测数据集 - 284,807 笔交易 - 30 个特征 - 目标变量： - 0 → 合法 - 1 → 欺诈 该数据集高度不平衡： - 合法交易：284,315 (99.83%) - 欺诈交易：492 (0.17%) ## 🧠 涵盖的机器学习概念 - 分类 - 逻辑回归 - 随机森林 - 决策树 - 特征缩放 - StandardScaler - 数据泄露 - 训练集与测试集划分 - 分层抽样 - 不平衡数据集 - 精确率 - 召回率 - F1 分数 - 混淆矩阵 ## 📂 项目结构 ``` FraudShield-AI │ ├── data │ └── creditcard.csv ├── fraud_exploration.py ├── model_training.py ├── requirements.txt ├── README.md └── screenshots ``` ## 🛠️ 使用的技术 - Python - Pandas - NumPy - Scikit-Learn - Matplotlib - Seaborn ## 📈 项目状态 ✅ 数据集探索 ✅ 探索性数据分析 ✅ 数据预处理 ✅ 特征缩放 🔄 逻辑回归 ⬜ 随机森林 ⬜ 模型评估 ⬜ Streamlit 部署 ## 🎯 未来改进 - 随机森林分类器 - XGBoost 分类器 - 用于不平衡数据的 SMOTE - 交互式 Streamlit 仪表板 - SHAP 可解释性 - 欺诈风险引擎 - 部署 ## 👨‍💻 作者 Om Shelar

标签：Apex, Kubernetes, Python, Streamlit, 数据科学, 无后门, 机器学习, 欺诈检测, 访问控制, 资源验证, 逆向工具, 金融风控