Sobre o projeto

O Online Payment Fraud Detection System é um projeto de machine learning em Python para classificar transações de pagamentos online como legítimas ou fraudulentas. O repositório fornece um notebook Jupyter e um script Python, juntamente com uma pasta de dataset, imagens geradas, requirements.txt, README e uma licença MIT. O fluxo de trabalho documentado abrange o carregamento de um dataset de transações, pré-processamento, tratamento de valores ausentes, codificação de dados categóricos, escalonamento de atributos, divisão entre treino e teste, treinamento do modelo, predição e avaliação do modelo. Os campos do dataset descritos incluem step, type, amount, nameOrig, oldbalanceOrg, newbalanceOrig, nameDest, oldbalanceDest, newbalanceDest, isFraud e isFlaggedFraud. A variável alvo é isFraud, onde 0 representa uma transação legítima e 1 representa uma transação fraudulenta. Três algoritmos de classificação são utilizados: Logistic Regression, Decision Tree Classifier e Random Forest Classifier. A avaliação é realizada com accuracy score, matriz de confusão e relatório de classificação. O README inclui uma tabela de comparação de modelos e relata valores de precisão para os três modelos, afirmando que o Random Forest alcançou 96,67% de precisão nos resultados do projeto. Os requisitos tecnológicos incluem Python 3.x, pandas, NumPy, Matplotlib, Seaborn e scikit-learn; o Google Colab também é mencionado como ambiente. Para executar o projeto, clone o repositório, instale as dependências com pip install -r requirements.txt e, em seguida, execute o script Python ou abra o notebook e execute todas as células após fazer o upload do dataset CSV. O README lista ideias de melhorias futuras, como detecção de fraudes baseada em deep learning, monitoramento de fraudes em tempo real, uma aplicação web em Flask ou Streamlit, integração de API e IA explicável. Este é um exemplo educacional compacto de um pipeline de classificação supervisionada para detecção de fraudes.