Vagdha-Pedapudi/Online-fraud-detection

# 使用 Machine Learning 进行欺诈检测 ## 项目概述 欺诈检测是识别可疑或未经授权的金融交易的过程。本项目使用 Machine Learning 技术分析交易数据，并对交易是欺诈还是合法进行分类。该系统有助于金融机构减少经济损失并提高交易安全性。 ## 项目目标 本项目的主要目标是构建一个 Machine Learning 模型，通过分析交易模式和金融数据来准确检测欺诈交易。 ## 问题描述 金融欺诈是银行和在线支付系统面临的最大挑战之一。手动检测欺诈交易既耗时又低效。本项目使用 Machine Learning 算法实现了欺诈检测流程的自动化。 ## 使用技术 - Python - Jupyter Notebook - Pandas - NumPy - Matplotlib - Scikit-learn - Random Forest Classifier ## 数据集 该数据集包含的交易详情如下： - 交易类型 - 交易金额 - 发送方余额 - 接收方余额 - 旧余额（发送方） - 新余额（发送方） - 旧余额（接收方） - 新余额（接收方） - 欺诈标签 (`isFraud`) ## 项目工作流程 1. 数据收集 2. 数据清洗 3. 探索性数据分析 (EDA) 4. 特征工程 5. 数据预处理 6. 训练集与测试集划分 7. 模型训练 8. 模型评估 9. 欺诈预测 ## 特征工程 为了提升模型性能，创建了以下特征： - 余额差值 - 金额与余额比率 - 高价值交易 - 编码后的交易类型 ## Machine Learning 模型 **使用的模型：** - Random Forest Classifier ## 模型评估 该模型使用以下指标进行了评估： - 准确率 - 精确率 - 召回率 - F1-Score - 混淆矩阵 - ROC 曲线 ## 可视化 本项目包含： - 相关性热力图 - 交易类型分布 - 欺诈与非欺诈分布 - 直方图 - 计数图 - 箱线图 - ROC 曲线 - 特征重要性 ## 结果 Random Forest 模型成功识别出了欺诈交易，具有极高的准确率以及出色的精确率和召回率。该模型能有效区分真实交易和欺诈交易，使其适用于现实世界中的欺诈检测系统。 ## 核心功能 - 数据预处理 - 探索性数据分析 - 特征工程 - 欺诈预测 - Machine Learning 模型训练 - 性能评估 - 数据可视化。 ## 仓库内容 - fraud_detection.ipynb - Fraud Detection Report.pdf - Project Documentation.docx - README.md ## 未来改进 - 使用 Flask 或 Streamlit 部署模型。 - 集成实时欺诈检测。 - 比较多种 Machine Learning 算法。 - 使用深度学习模型提升性能。 - 构建用于监控欺诈交易的控制面板。 ## 如何运行项目 1. Clone 该仓库。 2. 安装所需的库： pip install pandas numpy matplotlib scikit-learn 3. 打开 Jupyter Notebook。 4. 运行所有单元格。 5. 使用新的交易数据测试模型。 ## 作者 **Vagdha Anirudha Pedapudi** 工程学士（计算机科学与工程） JNTUA 工程学院，Anantapur ## 许可证 本项目出于教育和学术目的而开发。

标签：Apex, NoSQL, Python, 代码示例, 数据分析, 无后门, 机器学习, 欺诈检测, 逆向工具, 金融科技, 随机森林