اكتشاف الاحتيال بالبطاقات باستخدام Python وتعلم الآلة

مشروع تطبيقي لبناء نموذج يصنف معاملات البطاقات إلى طبيعية أو محتمل احتيالها.

دوري: تنظيف البيانات وإزالة التكرار، استكشاف توزيع الفئات، تجهيز الخصائص وتحجيمها، ثم مقارنة Logistic Regression مع SMOTE وRandom Forest مع تقليل عينات الفئة الأكبر.

أظهر النموذج المختار في تقييم المشروع ROC-AUC نحو 0.9693، واسترجاع حالات الاحتيال 0.7895، ودقة التنبؤ الإيجابي 0.3807، وF1 نحو 0.5137. أعرض المقاييس معًا لتوضيح أثر عدم توازن البيانات. هذه نتائج بيانات المشروع وليست ضمانًا للأداء على بيانات جديدة.

المخرجات: Notebook للتحليل والتدريب والتقييم، نموذج محفوظ، وواجهة Streamlit للتنبؤ الفردي أو من ملف CSV. الكود والتوثيق متاحان في رابط المعاينة.

الغلاف تصميم تعريفي بالمشروع، وليس لقطة من واجهة التطبيق.