使用机器学习在Python项目中进行信用卡欺诈检测仍在进行中
语境
信用卡公司必须能够识别出欺诈性的信用卡交易，以免向客户收取未购买商品的费用，这一点很重要。
内容
数据集包含2013年9月欧洲持卡人通过信用卡进行的交易。 该数据集显示了两天内发生的交易，在284,807笔交易中，我们有492起欺诈。 数据集高度不平衡，阳性类别（欺诈）占所有交易的0.172％。
它仅包含数字输入变量，它们是PCA转换的结果。 遗憾的是，由于机密性问题，我们无法提供有关数据的原始功能和更多背景信息。 功能部件V1，V2，…，V28是使用PCA获得的主要组件，唯一尚未使用PCA转换的功能部件是“时间”和“量”。 功能“时间”包含数据集中每个事务和第一个事务之间经过的秒数。 功能“金额”是交易金额，此功能可用于与示例相关的成本敏感型学习。 特征“类别”是响应变量，在发生欺诈时其值为1，否则为0
灵感
识别欺诈
2022-07-06 11:38:50
2KB
1
Python应用实战代码-Python 银行信用卡客户流失预测(kaggle)
2022-07-05 11:34:13
3.08MB
信用卡欺诈检测
使用Logstic Regression对信用卡欺诈检测进行分类
步骤以及一些需要注意的点
特征工程
样本不均衡问题的解决（降采样以及过采样两种方式）
下采样策略
交叉验证（充分利用数据，使模型可以说服力）
模型评估方法（分类准确率，精确率，召回率，F1值）
正则化惩罚（防止模型过拟合，日期L2正则化）
逻辑回归阈值对结果的影响（通过重复矩阵的可视化以及召回率来体现）
过采样策略（SMOTE算法）
如何运行？
信用卡数据集为“ creditcard.csv”，地址为： ://myblogs-photos-1256941622.cos.ap-chengdu.myqcloud
2022-07-02 09:33:57
5KB
1
使用Logstic Regression对信用卡欺诈检测进行分类
步骤以及一些需要注意的点
特征工程
样本不均衡问题的解决(降采样以及过采样两种方式)
下采样策略
交叉验证(充分利用数据，使模型更具说服力)
模型评估方法(分类准确率，精确率，召回率，F1值)
正则化惩罚(防止模型过拟合，引入L2正则化)
逻辑回归阈值对结果的影响(通过混淆矩阵的可视化以及召回率来体现)
过采样策略(SMOTE算法)
2022-06-29 18:05:29
4KB
信用卡验证Python项目
Python初学者项目
输入您的16位信用卡号：4722541190001331这是一张有效的卡！ 您要再次检查吗？ （是/否）：y输入您的16位信用卡号：4723541280001332无效的卡号
2022-05-24 22:10:37
1KB
1