Fraud-Detection

مشروع تعلّم آلة (Machine Learning) لاكتشاف المعاملات الاحتيالية في بطاقات الائتمان. المشروع يحلل بيانات معاملات حقيقية ويدرّب نموذجًا يفرّق بين المعاملة العادية والمعاملة الاحتيالية.

البيانات:

مجموعة بيانات Credit Card Fraud المعروفة، وفيها 284,807 معاملة و31 عمودًا.

الأعمدة V1 إلى V28 ناتجة عن تحويل PCA للحفاظ على سرية بيانات العملاء، بالإضافة إلى عمودَي Time وAmount.

البيانات غير متوازنة جدًا: 492 معاملة احتيالية فقط مقابل 284,315 معاملة عادية (أقل من 0.2%).

مراحل العمل:

استكشاف البيانات (EDA): رسم توزيع الفئتين (احتيال/عادي) وخريطة حرارية (Heatmap) لمصفوفة الارتباط بين المتغيرات.

تجهيز البيانات: فصل المتغيرات عن الهدف (Class) وتطبيق StandardScaler لتوحيد المقاييس.

معالجة عدم التوازن: استخدام تقنية SMOTE لتوليد عينات احتيال صناعية حتى تتساوى الفئتان (284,315 لكل فئة).

التدريب: تقسيم البيانات 80% تدريب و20% اختبار، وتدريب نموذج Logistic Regression.

التقييم: باستخدام Classification Report وConfusion Matrix، ثم اختبار النموذج على عينة جديدة للتنبؤ بها.

النتائج:

المقياس القيمة

الدقة (Accuracy) 95%

Precision لفئة الاحتيال 97%

Recall لفئة الاحتيال 92%

F1-score 95%

التقنيات المستخدمة:

Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, Imbalanced-learn.