Fraud Detection System

سعيد بمشاركة نتائج تقييم وتطوير نماذج تعلم الآلة لكشف الاحتيال المالي من خلال تحليل منحنيات ROC! قمت بتبني منهجية قائمة على اختبار ومقارنة خوارزميات متعددة للوصول لأعلى قدرة على التمييز بين المعاملات الطبيعية والمشتبه بها: تحليل منحنيات ROC (ROC-AUC Analysis): قياس وتقييم كفاءة النماذج في الموازنة بين نسبة الاكتشاف الصحيح (Recall) ومعدل الإنذارات الخاطئة (FPR). النموذج الأفضل: حقق نموذج XGBoost أعلى أداء بـ AUC = 0.9862. تجميع النماذج (Ensembling): بناء وتجربة نموذج Stacking Ensemble والذي سجل أداءً قريباً جداً بـ AUC = 0.9732. النماذج المرجعية: تقديم نتائج متقاربة وقوية لكل من Logistic Regression (AUC = 0.9705) و Random Forest (AUC = 0.9679) مقابل خط الأساس العشوائي. التقنيات: Python | XGBoost | Scikit-Learn | Matplotlib | ROC-AUC Evaluation | Data Science