Обнаружение мошенничества с кредитными картами на основе автоэнкодера

Обзор проекта

В финансовой индустрии мошеннические транзакции являются редкими событиями (аномалиями). Этот набор данных содержит транзакции, совершённые европейскими держателями карт, где мошенничество составляет небольшой процент от всех транзакций.

Автоэнкодер обучается сжимать, а затем реконструировать нормальные транзакции с высокой точностью.

Когда модель сталкивается с мошеннической транзакцией (которую она ранее не видела), она не может точно её реконструировать.

Высокая среднеквадратичная ошибка (MSE) между входом и выходом указывает на высокую вероятность мошенничества.

Архитектура модели

Проект оценивает различные архитектуры автоэнкодеров и метод главных компонент (PCA) для выявления мошеннических транзакций путём измерения ошибки реконструкции.

МодельАрхитектураКлючевая характеристика

Базовый AE

30 → 15 → 7Стандартная конструкция с «бутылочным горлышком» для изучения основных признаков.

Глубокий AE

30 → 20 → 10 → 5Более глубокая иерархия с

Dropout (0.2)

для предотвращения переобучения.

Разреженный AE

30 → 15 → 7Использует

L1 регуляризацию

, чтобы заставить модель использовать только самые важные нейроны.

PCA

Линейный базовый уровеньАнализ главных компонент с 10 компонентами для статистического сравнения.

Используемые технологии

• Глубокое обучение: PyTorch

• Обработка данных: Pandas, NumPy

• Машинное обучение: Scikit-Learn (StandardScaler, PCA, Train-Test Split)

• Визуализация: Matplotlib

• Работа с наборами данных: KaggleHub

Применение

Модель предназначена для использования в финансовых системах для автоматического выявления подозрительных транзакций, тем самым снижая финансовые потери от мошенничества.

Ссылки

Jassiko6/credit-card-fraud-detection