Обнаружение мошенничества с кредитными картами на основе автоэнкодера
Идентификация фродовых транзакций с помощью автоэнкодеров и PCA в платежной системе.
О сервисе
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 Источник: https://qubu.ai/models/obnaruzhenie-moshennichestva-s-kreditnymi-kartami-na-osnove-avtoenkodera License: MIT
