منصوبے کے بارے میں

Online Payment Fraud Detection System ایک Python مشین لرننگ پروجیکٹ ہے جس کا مقصد آن لائن ادائیگی کے لین دین کو جائز یا دھوکہ دہی کے طور پر درجہ بند کرنا ہے۔ اس ریپوزٹری میں ایک Jupyter notebook اور ایک Python اسکرپٹ کے ساتھ ساتھ ڈیٹا سیٹ فولڈر، تیار کردہ تصاویر، requirements.txt، README اور ایک MIT لائسنس فراہم کیا گیا ہے۔ دستاویزی ورک فلو میں ٹرانزیکشن ڈیٹا سیٹ کو لوڈ کرنا، پری پروسیسنگ، گمشدہ اقدار (missing values) کو سنبھالنا، کیٹیگوریکل ڈیٹا کی انکوڈنگ، فیچر اسکیلنگ، ٹرین-ٹیسٹ اسپلٹ، ماڈل ٹریننگ، پیشن گوئی اور ماڈل کی تشخیص شامل ہے۔ بیان کردہ ڈیٹا سیٹ کے فیلڈز میں step، type، amount، nameOrig، oldbalanceOrg، newbalanceOrig، nameDest، oldbalanceDest، newbalanceDest، isFraud اور isFlaggedFraud شامل ہیں۔ ٹارگٹ ویری ایبل isFraud ہے، جہاں 0 جائز لین دین اور 1 دھوکہ دہی والے لین دین کی نمائندگی کرتا ہے۔ تین درجہ بندی (classification) الگورتھمز استعمال کیے گئے ہیں: Logistic Regression، Decision Tree Classifier، اور Random Forest Classifier۔ تشخیص accuracy score، confusion matrix اور classification report کے ذریعے کی گئی ہے۔ README میں ماڈلز کا تقابلی جدول شامل ہے اور تینوں ماڈلز کے لیے درستگی (accuracy) کی اقدار بتائی گئی ہیں، جس کے مطابق پروجیکٹ کے نتائج میں Random Forest نے 96.67% درستگی حاصل کی۔ تکنیکی ضروریات میں Python 3.x، pandas، NumPy، Matplotlib، Seaborn اور scikit-learn شامل ہیں؛ Google Colab کا ذکر بھی ایک ماحول کے طور پر کیا گیا ہے۔ پروجیکٹ چلانے کے لیے، ریپوزٹری کو کلون کریں، pip install -r requirements.txt کے ذریعے ضروریات انسٹال کریں، پھر Python اسکرپٹ چلائیں یا CSV ڈیٹا سیٹ اپ لوڈ کرنے کے بعد نوٹ بک کھولیں اور تمام سیلز رن کریں۔ README میں مستقبل کی بہتری کے خیالات جیسے ڈیپ لرننگ پر مبنی فراڈ ڈیٹیکشن، ریئل ٹائم فراڈ مانیٹرنگ، Flask یا Streamlit ویب ایپلی کیشن، API انٹیگریشن اور explainable AI درج ہیں۔ یہ دھوکہ دہی کی تشخیص کے لیے ایک سپروائزڈ کلاسیفیکیشن پائپ لائن کی ایک مختصر تعلیمی مثال ہے۔