Об этом проекте

Online Payment Fraud Detection System — это проект по машинному обучению на Python для классификации онлайн-платежей как легитимных или мошеннических. Репозиторий содержит Jupyter notebook, Python-скрипт, папку с набором данных, сгенерированные изображения, requirements.txt, README и лицензию MIT. Документированный рабочий процесс включает загрузку набора данных о транзакциях, предобработку, обработку пропущенных значений, кодирование категориальных данных, масштабирование признаков, разделение на обучающую и тестовую выборки, обучение моделей, прогнозирование и оценку моделей. Описанные поля набора данных включают step, type, amount, nameOrig, oldbalanceOrg, newbalanceOrig, nameDest, oldbalanceDest, newbalanceDest, isFraud и isFlaggedFraud. Целевой переменной является isFraud, где 0 означает легитимную транзакцию, а 1 — мошенническую. Используются три алгоритма классификации: Logistic Regression, Decision Tree Classifier и Random Forest Classifier. Оценка выполняется с помощью accuracy score, матрицы ошибок (confusion matrix) и отчета о классификации. README содержит таблицу сравнения моделей и значения точности для трех моделей, указывая, что Random Forest достиг точности 96,67% в результатах проекта. Технические требования включают Python 3.x, pandas, NumPy, Matplotlib, Seaborn и scikit-learn; также упоминается среда Google Colab. Для запуска проекта необходимо клонировать репозиторий, установить зависимости с помощью pip install -r requirements.txt, затем запустить Python-скрипт или открыть ноутбук и выполнить все ячейки после загрузки CSV-датасета. В README перечислены идеи для будущих улучшений, такие как обнаружение мошенничества на основе глубокого обучения, мониторинг мошенничества в реальном времени, веб-приложение на Flask или Streamlit, интеграция API и объяснимый ИИ (explainable AI). Это компактный образовательный пример конвейера контролируемой классификации для обнаружения мошенничества.