信用卡欺诈检测 · 成本敏感评估与规则引擎融合

这个项目解决什么问题

欺诈检测的难点从来不是模型不够花哨，而是两件事：极度不平衡（正负样本 1:578， accuracy 是个骗局）和业务成本不对称（漏掉一笔 5000 元的欺诈，和错拦一位正常客户，代价完全不同）。本项目把这两件事都做成了可量化的流程，并给出一个能模拟线上风控调用的评分接口。

核心亮点

• 成本敏感评估：漏检损失按交易金额计、误报按固定审核成本计，以"总损失最小化"为目标搜索分类阈值，输出阈值-损失曲线。它把"模型指标"翻译成"老板听得懂的钱"——这是本项目区别于普通教程的灵魂模块。
• SMOTE 过采样 + 随机欠采样：两种不平衡处理策略与 class_weight 方案同场对比，谁更适合这个场景，数据说话。
• 无监督异常检测对照：孤立森林与 LOF 在不看标签的情况下能抓住多少欺诈？与监督模型的差距本身就是有价值的分析。
• 时间外推验证：按时间先后切分训练/测试集，模拟"模型上线后面对未来交易"的真实场景，与随机切分对比，暴露数据漂移的影响。
• 规则引擎融合：夜间大额交易等专家规则与模型评分做 OR 融合，"规则 + 模型"的混合风控系统设计。
• 欺诈评分接口：训练完成后保存最优模型，score_transaction() 函数对单笔交易输出欺诈概率——一个可以写进简历的"准生产"封装。

效果预览

99.83% vs 0.17%——先看清楚这个数据集有多"斜"：

不平衡场景下 PR 曲线比 ROC 更诚实：

阈值-总损失曲线：U 型的最低点就是"最省钱"的决策阈值：

预览图基于模拟数据演示实际运行效果，真实数据运行结果以你下载的数据集为准。

你将学到

• 极度不平衡数据的全套处理思路：采样、类权重、评估指标选择
• 为什么欺诈检测必须看 PR 曲线 / AUC-PR 而不是 accuracy
• 成本敏感决策：如何把混淆矩阵变成一张账单
• 面向部署的模型持久化与单笔交易评分封装

适合谁

想做风控/反欺诈方向、或需要在毕设里体现"业务思维 + 算法能力"的学习者。难度 ★★★，28 万条数据的训练已做采样优化，普通电脑可跑。

模型内部怎么算成本、规则怎么提炼——细节在源码注释里，这里刻意没有展开，留给你自己探索。

交付内容：完整可运行源码、README.md（逐步运行方法与实现说明）、requirements.txt。

数据集：第三方数据受原始授权限制不随包分发，按 README.md 里的官方链接下载放入 data/ 即可跑通全流程。

许可：个人使用，可用于自己的学习、课程实验与研究报告，请勿转售或公开传播。

环境与步骤

pip install -r requirements.txt

pip install -r requirements.txt
python main.py    # 全流程约几分钟，图表与最优模型落盘 outputs/

注意事项

• 数据集不随包提供：先按 README.md 的链接下载放入 data/，再执行下面的命令。

Q：11MB 的数据集为什么不打包？

A：creditcard.csv 是 Kaggle（mlg-ulb/creditcardfraud）的公开数据，受原始授权限制不随包分发。下载后放入 data/，README 里有直链。

Q：accuracy 0.999 为什么不算成绩？

A：正负样本约 0.17% : 99.83%，全预测“正常”就有 99.83% 的准确率，却一单欺诈都抓不到。项目改用 PR 曲线加成本视角：漏一单的损失按该笔交易金额计、错拦一单按 10 元人工审核费计，以总损失最小化选阈值，并输出阈值—损失曲线。

Q：能模拟线上风控调用吗？

A：可以。项目给了一个评分接口，输入交易特征返回风险分与是否拦截；另有 3 条专家规则（夜间大额等）与模型评分做 OR 融合，能完整演示“规则 + 模型”的混合系统。

Q：随机切分行不行？

A：行，但会骗自己。数据带 Time 字段，项目按前 75% / 后 25% 做时间外推验证，模拟“上线之后预测未来”，并把随机切分的成绩放在一起对比，说明数据漂移会带来多少虚高。