luiscsguimaraes/fraudesemcartoescreditoml

💳 Detectando transações fraudulentas em cartões de crédito com scikit-learn, utilizando modelos de classificação.

Detectando fraudes em transações com cartões de créditos utilizando Machine Learning

Projeto para detecção de transações fraudulentas em cartões de crédito utilizando modelos de classificação com a biblioteca scikit-learn.

🔗 Link para o notebook via nbviewer:

Detecção de fraudes em cartões de crédito utilizando Machine Learning by Luis Guimarães - Jupyter Notebook Viewer

📑 Bibliotecas e pacotes utilizados:

• Bibliotecas

  • pandas
  • seaborn
  • matplotlib
  • numpy
  • sklearn
  • imblearn
  • scikitplot

• Pacotes

  • StandardScaler (sklearn.preprocessing)
  • train_test_split (sklearn.model_selection)
  • RandomUnderSampler (imblearn.under_sampling)
  • LogisticRegression (sklearn.linear_model)
  • DecisionTreeClassifier (sklearn.tree)
  • confusion_matrix (sklearn.metrics)
  • classification_report (sklearn.metrics)
  • roc_auc_score (sklearn.metrics)
  • roc_curve (sklearn.metrics)
  • accuracy_score (sklearn.metrics)
  • recall_score (sklearn.metrics)

📜 Fontes e referências:

• Fraude com Cartão de Crédito (procononline.com.br)
• Brasil teve alta de quase 33% nas tentativas de fraude com cartão de crédito no 1° semestre, mostra estudo (infomoney.com.br)
• Credit Card Fraud Detection | Kaggle
• 3.2 - Identifying Outliers: IQR Method | STAT 200 (psu.edu)
• Como lidar com dados desbalanceados em problemas de classificação | by Arthur Lamblet Vaz | Data Hackers | Medium
• Diferença entre classificação e regressão na aprendizagem de máquinas (icrowdnewswire.com)
• Como lidar com dados desbalanceados? | Sigmoidal
• Classification: ROC Curve and AUC | Machine Learning Crash Course (google.com)