XENTE-欺诈-仪表板 指向描述性，诊断性，预测性和规范性分析的完整项目； 参考使用Microsoft powerBI的智能仪表板

为了方便付款和无分类，如今信用卡付款已变得非常流行。 从我们的银行帐户中，我们可以直接在线支付款项。 尽管采用这种简单的付款方式，但它仍具有欺诈的缺点。 未授权人员访问其他人的银行详细信息称为入侵者。 这些入侵者还可以访问一些未经授权的交易。 为了防止这种情况，我们需要一些强大的机制。 在本文中，我们使用了三种不同的分类算法（逻辑回归，随机森林和支持向量）进行欺诈检测，并将发现这三种算法的准确性比较。

IEEE-CIS-欺诈检测 该存储库包含有关IEEE-CIS欺诈检测数据集的深入探索探索性数据分析（EDA）。竞争是一个二进制分类问题-即我们的目标变量是一个二进制属性（用户是否使点击欺诈？），我们的目标是尽可能将用户分类为“欺诈”或“非欺诈”。 您可以阅读IEEE-CIS欺诈检测页面中的完整数据集概述和数据描述。 在此存储库中，您可以访问； EDA.ipynb：包含深入分析的Jupyter笔记本 util_data_cleaning.py：包含大量数据清除功能的Python文件。 util_reporting.py：包含大量可视化和报告功能的Python文件。 util_feature_engineering.py：包含大量数据准备和整理功能的Python文件。 您可以看一下我的Kaggle内核，以了解如何简化EDA流程：

欺诈识别 使用RNN训练和测试模型以预测信用卡欺诈交易。 ＃如何使用模型： 从链接下载名为creditcard.csv的数据集。 下载python脚本欺诈_detection.py 将脚本和csv数据文件保存在同一文件夹中，否则在脚本文件的第13行中提及csv文件的路径 运行代码以查看培训和测试的准确性

安然欺诈项目 休斯顿的安然综合体- 安然是美国最大的公司之一。 由于公司欺诈，它破产了。 由于联邦调查的结果，大量的安然数据（电子邮件和财务数据）已进入公共记录。 该项目旨在建立一个分类器，该分类器可以基于公共的安然财务和电子邮件数据集来预测安然员工涉及欺诈的情况。 有关安然丑闻的更多详细信息，请参见 。 工作流程 该项目分为3个主要阶段： 功能选择和工程 算法选择 选型 特征选择与工程 首先，清理数据； 由于我们对个人数据感兴趣，因此删除了与“总计”和“公园旅行社”相对应的数据。 另外，“ LOCKHART EUGENE E”数据全为零，并且也被删除。 一些功能也被删除。 由于“ to

IEEE-CIS Fraud Detection Dataset.The data comes from Vesta's real-world e-commerce transactions and contains a wide range of features from device type to product features. IEEE-CIS欺诈检测数据集，数据来自Vesta的现实世界电子商务交易，包含从设备类型到产品功能的多种功能。 sample_submission.csv test_identity.csv train_identity.csv test_transaction.csv train_transaction.csv

该存储库包含在《会计研究杂志》上发表的论文中使用的数据和代码。 如果您在研究中使用我们的数据和代码，请引用我们的论文，如下所示： 杨宝，柯斌，李斌，余嘉莉和张杰（2020）。 。 会计研究杂志，58（1）：199-235。 数据说明表 1.描述哪些作者处理了数据并进行了分析。 Yang Bao和Julia Julia处理了数据。 杨宝，宾科，李斌和余嘉莉共同进行了分析。 2.关于如何获取或生成原始数据的详细说明，包括数据源，下载或获取数据的特定日期以及用于生成数据的工具（例如，用于调查或实验）。 我们建议一位以上的作者能够为原始数据的所述来源提供担保。 本文使用档案数据。 数据主要来自可商购的来源。 详情如下所示。 AAER数据：我们最初的会计欺诈样本来自美国加州大学伯克利分校财务报告和管理中心（CFRM）编制的SEC的会计和审计执行公告（AAER）。 本文当前版本中使用的AA

作者：安德烈·维特（Andre Veit） 领英（LinkedIn）： : 电子邮件： 信用卡欺诈检查 不平衡数据的分类和异常检测 关于本笔记本 欺诈并不是什么新鲜事物，事实上，据《您的钱》网站称，第一个欺诈记录发生在公元前300年。 如今，在互联网和数字化以惊人的速度增长的世界中，每天都通过网络实现数百万笔交易和其他操作。 这意味着欺诈者有很多机会。 幸运的是，相对而言很少。 不幸的是……这个事实使他们很难被抓住。 本笔记本的目的是探索几种处理异常检测和高度不平衡的数据集的方法。 概述： 数据探索与准备 无监督学习-异常检测 2.1。 隔离林2.2。 局部离群因子 监督学习-分类 3.1。 逻辑回归3.2。 随机森林3.3。 支持向量机 自动编码器-无监督和半监督学习 4.1。 无监督学习4.2。 半监督学习 数据集 该数据集来自Kaggle网站，可以通过以下链接找到：

选民2020 VoterFraud2020是一个多模式Twitter数据集，具有来自260万用户的760万条推文和2560万条与选民欺诈指控相关的转发。 ，交互式Web应用程序，用于探索数据集 具有数字对象标识符（DOI） 10.6084 / m9.figshare.13571084的 ，数据分析背后的代码 快来了 github / sTechLab / twitter-stream，twitter流代码 目录 水化数据 在数据集中的鸣叫和用户对象可以使用水合或。 注意：来自暂停用户的推文将无法进行水合作用。 我们认为这些推文符合。 我们将与已发表的学术研究人员分享这些推文； 给我们发电

欺诈识别 识别信用卡上的欺诈交易。 想象一下，站在杂货店的结帐柜台后排成一排，您的收银员却很安静地宣布您的卡已被拒绝。 在这一刻，您可能没有考虑决定命运的数据科学。 不好意思，并且确定您有足够的资金来支付为您的50个最亲密的朋友举办一场史诗般的玉米片派对所需要的一切，您可以再次尝试购买卡片。 结果相同。 当您离开并允许收银员照看下一位客户时，您会从银行收到一条短信。 “如果您真的想在切达干酪上花费500美元，请按1。” 虽然目前可能很麻烦（并且常常令人尴尬），但这种防欺诈系统实际上每年为消费者节省了数百万美元。 IEEE计算智能协会（IEEE-CIS）的研究人员希望改善这一数字，同时也要改善客户体验。 通过更高准确性的欺诈检测，您可以轻松处理芯片。 IEEE-CIS跨各种AI和机器学习领域工作，包括深度神经网络，模糊系统，进化计算和群体智能。 今天，他们与全球领先的支付服务公司Ve