À propos du projet

Online Payment Fraud Detection System est un projet d'apprentissage automatique en Python pour classifier les transactions de paiement en ligne comme légitimes ou frauduleuses. Le dépôt fournit un notebook Jupyter et un script Python, ainsi qu'un dossier de données, des images générées, un fichier requirements.txt, un README et une licence MIT. Le flux de travail documenté couvre le chargement d'un ensemble de données de transactions, le prétraitement, la gestion des valeurs manquantes, l'encodage des données catégorielles, la mise à l'échelle des caractéristiques, la division train-test, l'entraînement du modèle, la prédiction et l'évaluation du modèle. Les champs du jeu de données décrits incluent step, type, amount, nameOrig, oldbalanceOrg, newbalanceOrig, nameDest, oldbalanceDest, newbalanceDest, isFraud et isFlaggedFraud. La variable cible est isFraud, où 0 représente une transaction légitime et 1 représente une transaction frauduleuse. Trois algorithmes de classification sont utilisés : Logistic Regression, Decision Tree Classifier et Random Forest Classifier. L'évaluation est effectuée avec le score de précision (accuracy score), la matrice de confusion et le rapport de classification. Le README comprend un tableau de comparaison des modèles et rapporte les valeurs de précision pour les trois modèles, indiquant que Random Forest a atteint une précision de 96,67 % dans les résultats du projet. Les exigences technologiques incluent Python 3.x, pandas, NumPy, Matplotlib, Seaborn et scikit-learn ; Google Colab est également mentionné comme environnement. Pour exécuter le projet, clonez le dépôt, installez les dépendances avec pip install -r requirements.txt, puis exécutez le script Python ou ouvrez le notebook et exécutez toutes les cellules après avoir téléchargé le jeu de données CSV. Le README liste des idées d'améliorations futures telles que la détection de fraude basée sur le deep learning, la surveillance de la fraude en temps réel, une application web Flask ou Streamlit, l'intégration d'API et l'IA explicable. Il s'agit d'un exemple éducatif compact d'un pipeline de classification supervisée pour la détection de la fraude.