Phishing_Website_Detection：该项目基于使用随机森林分类公式检测网络钓鱼欺诈性网站。 使用Python编程语言和Django框架实现

使用机器学习识别欺诈（项目概述） 项目目标 在2000年，安然（Enron）是美国最大的公司之一。 到2002年，由于广泛的公司欺诈行为，该公司破产了。 在最终的联邦调查中，大量的通常是机密信息被输入到公共记录中，包括成千上万的电子邮件和高级管理人员的详细财务数据。 这些数据已与手工生成的欺诈案件中感兴趣的人的名单相结合，这意味着被起诉，与政府达成和解或辩诉交易或作证以换取起诉豁免权的个人。 这些数据为146名员工创建了21个要素的数据集。 该项目的范围是创建一种算法，该算法能够识别可能实施欺诈的安然员工。 为了实现此目标，部署了探索性数据分析和机器学习以从异常值中清除数据集，识别新参数并将

欺诈性的汽车保险索赔不仅给保险公司造成损失，而且给保单持有人造成损失。 这项研究的目的是首先开发一种决策算法，以对索赔是否被分类为欺诈行为进行分类； 其次，应该关注哪些类型的变量以检测欺诈性索赔。 为了实现此目标，通过使用变量选择算法发现重要的特征集来构建高度准确的预测模型，从而可以帮助防止将来的损失。 在这项研究中，考虑使用参数和非参数统计学习算法来减少不确定性并增加检测适当主张的机会。 该模型的重要特征集是通过以下方法确定的：通过交叉验证基于观察到的索赔特征来测量变量的重要性，并通过测试使用Akaike信息准则对汽车欺诈性索赔进行准确分类的性能的改进来确定。 使用通过交叉验证选择的一组功能，我们可以达到95％以上的精度。 这项研究将为保险业的欺诈检测研究提供一些好处，以防止保险滥用进一步加剧。

利用机器学习技术进行信用卡交易欺诈检测 欺诈性信用卡交易的分类。

巨蟹座 可以根据自己的喜好来创建CRUD实用程序堆栈： MongoDB的 Express.js React.js Node.js