Saksham9041/Credit-Card-Fraud-Detection

# 💳 基于机器学习的信用卡欺诈检测

     

## 📌 项目概述 由于在线交易量巨大，信用卡欺诈已成为数字银行面临的最大挑战之一。 本项目开发了一个智能欺诈检测系统，能够利用机器学习识别欺诈交易，同时尽可能减少误报。 完整的工作流程包括： - 数据清洗 - 探索性数据分析 (EDA) - 特征工程 - 处理类别不平衡 - 模型训练 - 性能评估 # 🎯 业务问题 每年金融机构都会因欺诈交易而损失数十亿美元。 目标是构建一个能够准确区分以下交易的预测模型： ✅ 正常交易 ❌ 欺诈交易 同时降低财务风险。 # 📂 数据集 **来源** Kaggle 信用卡欺诈检测数据集 https://www.kaggle.com/datasets/nelgiriyewithana/credit-card-fraud-detection-dataset-2023 该数据集包含： - 客户交易 - 交易金额 - 交易时间 - 欺诈标签 - 特征工程特征 # 🛠 使用的技术 | 类别 | 工具 | |----------|------| | 编程 | Python | | 数据分析 | Pandas, NumPy | | 可视化 | Matplotlib, Seaborn | | 机器学习 | Scikit-Learn, XGBoost | | 笔记本 | Jupyter | # 📊 项目工作流 ``` Data Collection │ ▼ Data Cleaning │ ▼ Exploratory Data Analysis │ ▼ Feature Engineering │ ▼ Class Imbalance Handling │ ▼ Model Training │ ▼ Performance Evaluation │ ▼ Fraud Prediction ``` # 🔍 探索性数据分析 执行的操作包括： - 缺失值分析 - 重复项检测 - 分布分析 - 相关性分析 - 欺诈与非欺诈对比 - 特征关系 - 异常值检测 # ⚖ 处理不平衡数据 由于欺诈交易在所有交易中仅占很小的比例，因此我们探索了多种技术： - SMOTE - 随机欠采样 - 类别权重调整 这提高了模型检测少数类欺诈案例的能力。 # 🤖 机器学习模型 实现了多种算法： - 逻辑回归 - 决策树 - 随机森林 - XGBoost 对每个模型都进行了评估和比较。 # 📈 评估指标 使用以下指标衡量性能： - 准确率 - 精确率 - 召回率 - F1 分数 - ROC-AUC 分数 - 混淆矩阵 特别强调了 **召回率**，因为检测欺诈交易比最大化整体准确率更重要。 # 📊 结果 训练后的模型成功学习了区分合法交易和欺诈交易的模式。 主要成果： ✔ 高欺诈检测能力 ✔ 减少了误报 ✔ 强大的泛化性能 ✔ 适用于实际的银行业务应用 # 📁 仓库结构 ``` credit-card-fraud-detection/ │ ├── ccfd_code.ipynb ├── README.md ├── images/ ├── models/ └── dataset/ ``` # 🚀 如何运行 克隆仓库 ``` git clone https://github.com/yourusername/credit-card-fraud-detection.git ``` 进入项目 ``` cd credit-card-fraud-detection ``` 安装依赖项 ``` pip install -r requirements.txt ``` 启动 Jupyter Notebook ``` jupyter notebook ``` 运行 ``` ccfd_code.ipynb ``` # 📌 未来改进 - 深度学习 (ANN) - 基于 AutoEncoder 的欺诈检测 - 实时欺诈预测 - Streamlit Web 应用程序 - 可解释 AI (SHAP) # 👨‍💻 作者 **Saksham Sharma** 📧 电子邮件: sakshamsharma0905@gmail.com 💼 LinkedIn: https://linkedin.com/in/saksham-sharma-bb5923253 🌐 GitHub: https://github.com/Saksham9041 ⭐ 如果您觉得这个项目有用，请考虑给个 Star。

标签：Apex, Scikit-learn, XGBoost, 信用卡反欺诈, 数据科学, 机器学习, 欺诈检测, 资源验证, 逆向工具