文件名称：信用卡欺诈检测
文件大小：5.94MB
文件格式：ZIP
更新时间：2024-03-01 02:26:13
JupyterNotebook
使用Azure机器学习进行信用卡欺诈检测 金融交易中的欺诈检测是金融公司中最重要的问题之一。 该项目旨在检测信用卡交易的潜在欺诈案件，此处的任务是区分它们。 我的最终目的是通过建立分类模型来分类和区分欺诈交易来解决这种情况。 在这里，我使用AutoML和Hyperdrive对模型进行了分类，然后部署了最佳模型，在这种情况下，就是AutoML模型 从数据获取到模型部署的步骤。 数据集 原始数据集位于集中 原始数据由开放数据库许可（ODbL）1.0许可。 此数据与信用卡交易中的欺诈检测有关。 该数据是由欧洲持卡人在2013年9月使用信用卡制作的。 数据集高度不平衡，描述欺诈性交易（欺诈）的正类占所有交易的0.17％。 它仅包含数字输入变量，它们是PCA转换的结果。 不幸的是，由于机密性问题，我们没有数据的原始功能和更多背景信息。 特征V1，V2，...，V28是通过主成分分析（PCA）获
【文件预览】：
Creditcard-fraud-detection-master
----rd.png(63KB)
----service.png(129KB)
----pipeline_graph.json(2KB)
----automl_run1.ipynb(177KB)
----envi.png(156KB)
----conda_env.yml(755B)
----run1.png(205KB)
----model.pkl(1.86MB)
----hrundetails.png(78KB)
----automl.log(3KB)
----sampledata.png(168KB)
----train.py(2KB)
----details_LI.jpg(610KB)
----fraud-data.csv(133B)
----downoad.png(153KB)
----best_remote_model.pkl(1.86MB)
----hyperdrive_model.joblib(1KB)
----run.png(61KB)
----conda_env_v_1_0_0.yml(755B)
----result.png(115KB)
----scoring_file_v_1_0_0.txt(3KB)
----internal_cross_validated_models.pkl(8.36MB)
----hyperparameter_tuning (1).ipynb(57KB)
----azureml_automl.log(7KB)
----models.png(110KB)
----hyperdrive config.png(56KB)
----id.png(43KB)
----env_dependencies.json(4KB)
----README.md(9KB)
----endpint.png(93KB)
----.gitattributes(42B)
----config.json(161B)