Python 大数据的进行信用卡欺诈检测（附源码与注释）

一、背景和目的

该数据集包含使用信用卡进行的金融交易的数据。这些数据是指欧洲运营商的客户，指的是 2013/9年期间。

该研究的目的是创建一个预测模型，该模型能够从通过数据集获得的“学习”中识别欺诈交易。信用卡公司能够提前识别欺诈行为至关重要。

数据集内容
交易发生在两天内，总共 284,807 笔交易中有 492 笔是欺诈。数值变量是通过 PCA 变换（降维）获得的。

特征 V1、V2、… V28 是使用 PCA 获得的主成分，唯一没有使用 PCA 转换的特征是“时间”和“金额”。特征“时间”包含每个事务与数据集中第一个事务之间经过的秒数。特征“金额”是交易金额，该特征可用于依赖示例的成本敏感学习。特征“类”是响应变量，在欺诈的情况下取值为 1，否则为 0。

二、探索性数据集分析 (EDA)

导入数据：

# 导入模块
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
import matplotlib.pyplot as plt # para plotar gráficos
import seaborn as sea # para plotar gráficos
import warnings
warnings.filterwarnings("ignore")df = pd.read_csv('creditcard.csv')

df.head()

如下：

基本分析：

三、模型创建

f1 score、precision/recall


省略一堆。。。。
中间省略的部分有：SMOTE - 合成少数过采样技术，使用交叉验证的决策树分类器，可以得到如下可视化图：

还有交叉验证。

展示一下XGBoost模型

四、总结

综合上述使用的模型有：逻辑回归模型，决策树模型，XGBoost模型，随机森林。你可以根据这些模型的评分来选择一个最佳，在探索性数据集分析过程中使用到了比较多的数理统计概念，也有较多的数据可视化。