karan2027/CodSoft-Credit-Card-Fraud-Detection
GitHub: karan2027/CodSoft-Credit-Card-Fraud-Detection
一个基于机器学习的信用卡欺诈检测交互式应用，使用多种监督学习算法识别欺诈交易并比较模型性能。
Stars: 0 | Forks: 0
# 基于机器学习的信用卡欺诈检测
一个用于实时信用卡欺诈检测的交互式机器学习仪表板，具有类别平衡（欠采样/过采样）、算法性能比较、单笔交易分析器和批量预测工具等功能。
[](https://karan2027-credit-card-fraud-detection.streamlit.app/)
### 🌐 在线演示：[karan2027-credit-card-fraud-detection.streamlit.app](https://karan2027-credit-card-fraud-detection.streamlit.app/)
## 应用界面
## 摘要
信用卡欺诈是一个严重的问题，每年都会造成数十亿美元的损失。机器学习可以通过识别指示欺诈交易的模式来检测信用卡欺诈。信用卡欺诈是指信用卡实物的丢失或敏感信用卡信息的泄露。许多机器学习算法都可以用于检测。本项目提议开发一个机器学习模型来检测信用卡欺诈。该模型将在历史信用卡交易数据集上进行训练，并在未见过交易的留出数据集上进行评估。
关键词： 信用卡欺诈检测，欺诈检测，欺诈交易，K-Nearest Neighbors，Support Vector Machine，Logistic Regression，Decision Tree。
## 概述 随着人们在日常生活中越来越多地使用信用卡，信用卡公司应该特别注意客户的安全与保障。根据（2021年信用卡统计数据），2019年全球使用信用卡的人数为28亿；此外，70%的用户只拥有一张卡。2020年，美国信用卡欺诈报告增长了44.7%。信用卡欺诈有两种类型，第一种是由身份窃贼以你的名义开立信用卡账户。此类欺诈行为的报告在2020年增加了48%。第二种类型是身份窃贼使用你创建的现有账户，通常是通过窃取 信用卡上的信息。此类欺诈的报告在2020年增加了9%（Daly, 2021）。这些统计数据引起了我们的注意，因为这些数字多年来急剧且迅速地增加，这促使我们通过使用不同的机器学习方法，从海量交易中分析并解决检测欺诈性信用卡交易的问题。
## 项目目标 本项目的主要目标是检测欺诈性信用卡交易，因为找出欺诈交易至关重要，这样客户就不会为他们未购买的产品支付费用。我们将使用多种机器学习技术来检测欺诈性信用卡交易。然后，将对每种方法的结果和效果进行比较，以找出最适合检测欺诈性信用卡交易的模型；同时还将提供相关的图表和数据。此外，本项目还探讨了以往的文献以及用于区分数据集中欺诈行为的不同 技术。
## 数据来源 该数据集从开源网站 Kaggle.com 获取。它包含了2013年两天内欧洲信用卡用户的交易数据。该数据集由 31 个属性和 284,808 行数据组成。其中 28 个属性是数值变量，出于客户机密和隐私的考虑，已通过 PCA 转换进行了处理；其余三个属性分别是 ”Time“，包含每笔交易 属性的第一笔交易与其他交易之间经过的秒数；”Amount“ 表示每笔交易的金额；最后一个属性 “Class” 包含二进制变量，其中 “1” 表示欺诈交易，“0” 表示非欺诈交易。
数据集： Kaggle 数据集
## 算法 1. K-Nearest Neighbor (KNN) 2. Logistic Regression (L.R.) 3. Support Vector Machine (SVM) 4. Decision Tree (D.T.)
## 未来工作 有很多方法可以改进该模型，例如将其应用于具有不同大小和数据类型的其他数据集，或者通过更改数据拆分比例并从不同的算法视角进行观察。例如，可以合并电信数据来计算人员的位置，以便在客户使用信用卡时更好地掌握持卡人的位置信息；这将简化检测过程，因为如果持卡人在迪拜，而他的卡在阿布扎比进行了一笔交易，这 将很容易被检测为欺诈。
## 结论 总而言之，本项目的主要目标是针对项目所选的机器学习技术，找到最适合信用卡欺诈检测的模型。这一目标通过构建四个模型并找出它们各自的准确率来实现；在准确率方面表现最好的是 KNN 和 Decision Tree，它们在信用卡欺诈检测上得分为100，这提高了客户满意度，因为它将为客户提供更好的体验和安全感。
关键词： 信用卡欺诈检测，欺诈检测，欺诈交易，K-Nearest Neighbors，Support Vector Machine，Logistic Regression，Decision Tree。
## 概述 随着人们在日常生活中越来越多地使用信用卡，信用卡公司应该特别注意客户的安全与保障。根据（2021年信用卡统计数据），2019年全球使用信用卡的人数为28亿；此外，70%的用户只拥有一张卡。2020年，美国信用卡欺诈报告增长了44.7%。信用卡欺诈有两种类型，第一种是由身份窃贼以你的名义开立信用卡账户。此类欺诈行为的报告在2020年增加了48%。第二种类型是身份窃贼使用你创建的现有账户，通常是通过窃取 信用卡上的信息。此类欺诈的报告在2020年增加了9%（Daly, 2021）。这些统计数据引起了我们的注意，因为这些数字多年来急剧且迅速地增加，这促使我们通过使用不同的机器学习方法，从海量交易中分析并解决检测欺诈性信用卡交易的问题。
## 项目目标 本项目的主要目标是检测欺诈性信用卡交易，因为找出欺诈交易至关重要，这样客户就不会为他们未购买的产品支付费用。我们将使用多种机器学习技术来检测欺诈性信用卡交易。然后，将对每种方法的结果和效果进行比较，以找出最适合检测欺诈性信用卡交易的模型；同时还将提供相关的图表和数据。此外，本项目还探讨了以往的文献以及用于区分数据集中欺诈行为的不同 技术。
## 数据来源 该数据集从开源网站 Kaggle.com 获取。它包含了2013年两天内欧洲信用卡用户的交易数据。该数据集由 31 个属性和 284,808 行数据组成。其中 28 个属性是数值变量，出于客户机密和隐私的考虑，已通过 PCA 转换进行了处理；其余三个属性分别是 ”Time“，包含每笔交易 属性的第一笔交易与其他交易之间经过的秒数；”Amount“ 表示每笔交易的金额；最后一个属性 “Class” 包含二进制变量，其中 “1” 表示欺诈交易，“0” 表示非欺诈交易。
数据集： Kaggle 数据集
## 算法 1. K-Nearest Neighbor (KNN) 2. Logistic Regression (L.R.) 3. Support Vector Machine (SVM) 4. Decision Tree (D.T.)
## 未来工作 有很多方法可以改进该模型，例如将其应用于具有不同大小和数据类型的其他数据集，或者通过更改数据拆分比例并从不同的算法视角进行观察。例如，可以合并电信数据来计算人员的位置，以便在客户使用信用卡时更好地掌握持卡人的位置信息；这将简化检测过程，因为如果持卡人在迪拜，而他的卡在阿布扎比进行了一笔交易，这 将很容易被检测为欺诈。
## 结论 总而言之，本项目的主要目标是针对项目所选的机器学习技术，找到最适合信用卡欺诈检测的模型。这一目标通过构建四个模型并找出它们各自的准确率来实现；在准确率方面表现最好的是 KNN 和 Decision Tree，它们在信用卡欺诈检测上得分为100，这提高了客户满意度，因为它将为客户提供更好的体验和安全感。
标签：Apex, Kubernetes, Streamlit, 反欺诈, 数据预处理, 机器学习, 欺诈检测, 访问控制, 逆向工具