vuyozondo-ai/fraud-detection-final

# 使用机器学习进行欺诈检测 本项目旨在利用机器学习技术检测欺诈性金融交易。其目标是从交易行为中识别出能够区分欺诈活动与正常活动的模式。 ## 项目概述 该数据集包含了交易类型、金额和账户余额等交易细节。由于欺诈数据存在极度不平衡的特性，本项目对特征工程和模型评估给予了重点关注。 ## 特征工程 为了提升模型性能，我们创建了以下特征： - **balance_error** – 捕获预期账户余额与实际账户余额之间的不一致性 - **is_full_drain** – 识别完全清空账户的交易 - **is_logical** – 标记交易是否遵循预期的金融行为 这些特征有助于突显可疑的交易模式。 ## 使用的模型 - **Random Forest** – 用作基线模型 - **XGBoost** – 由于其在结构化和不平衡数据上的出色表现，被用作最终模型 ## 结果 两个模型均取得了高性能表现，其中 XGBoost 的表现略优于 Random Forest。结果表明，经工程处理的特征为检测欺诈交易提供了强有力的信号。 ## 仓库结构 - `fraud_detection_model.ipynb` – 最终建模 notebook - `EDA.ipynb` – 探索性数据分析 - `README.md` – 项目概述 ## 注意事项 尽管模型表现强劲，但数据集中包含了一些不切实际的交易模式，这可能会使欺诈检测相比于真实场景变得更加简单。

标签：Apex, NoSQL, XGBoost, 数据科学, 机器学习, 欺诈检测, 特征工程, 资源验证, 逆向工具, 金融风控