|
Download README.md from GuiMM27/fraud-detection-ml: direct link, hf CLI and curl.
- Browser
- Download file 2.86 kB
-
https://huggingface.co/GuiMM27/fraud-detection-ml/resolve/main/README.md
- Command line
-
hf download hf://GuiMM27/fraud-detection-ml/README.md
-
curl -L -o README.md https://huggingface.co/GuiMM27/fraud-detection-ml/resolve/main/README.md
2.86 kB
| language: pt | |
| tags: | |
| - scikit-learn | |
| - tabular-classification | |
| - fraud-detection | |
| - educational | |
| # Credit Card Fraud Detection — Logistic Regression | |
| Este modelo foi desenvolvido para estudo de **Machine Learning Engineering** a partir do | |
| [dataset público ULB/Kaggle](https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud). | |
| NÃO é um sistema financeiro validado para uso real. | |
| ## Finalidade e limitações | |
| - **Uso previsto:** benchmark e demonstração educacional de identificação de eventos raros. | |
| - **Não indicado:** bloqueio de cartões, decisões financeiras ou inferência em dados de outra instituição. | |
| - `V1` a `V28` são componentes anonimizadas; `Time` mede tempo relativo (segundos); `Amount` não informa moeda. | |
| - O `risk_score` retornado por `predict_proba` **não é probabilidade de fraude calibrada**. | |
| - O classificador foi treinado em dados históricos e não foi validado prospectivamente. | |
| - Não redistribuímos o CSV original. Consulte as condições de uso da fonte para uso ou redistribuição de derivados. | |
| ## Método | |
| - Divisão cronológica aproximada 60% treino / 20% validação / 20% teste. | |
| - Seleção do modelo por PR-AUC na validação; limiar escolhido por F1 na validação. | |
| - Conjunto de teste utilizado apenas para a avaliação final. | |
| - Duplicatas auditadas, mas não removidas automaticamente. | |
| ## Avaliação no teste (modelo selecionado) | |
| | Métrica | Resultado | | |
| |---|---:| | |
| | PR-AUC (Average Precision) | 0.7436 | | |
| | Precision | 0.9434 | | |
| | Recall | 0.6667 | | |
| | F1 | 0.7812 | | |
| | Verdadeiros positivos (TP) | 50 | | |
| | Falsos positivos (FP) | 3 | | |
| | Falsos negativos (FN) | 25 | | |
| | Verdadeiros negativos (TN) | 56884 | | |
| | Limiar fixado na validação | 0.999986 | | |
| A contagem de fraudes na base de teste foi **75**. | |
| Os valores refletem somente este benchmark. Não há garantias de generalização. | |
| ## Entrada, saída e compatibilidade | |
| A entrada é um registro com **30 variáveis** numéricas na ordem: | |
| `Time, V1, V2, ..., V28, Amount`. Um JSON sintético está em `example_input.json`. | |
| O artefato é um dicionário com `pipeline`, `threshold` e `features`. | |
| Saída: score entre 0 e 1 e classe 1 caso `score >= threshold`. | |
| **Segurança:** `fraud_model.joblib` usa serialização Python/pickle; carregue apenas artefatos confiáveis. | |
| Evite abrir modelos desconhecidos. Reproduza as versões de dependências do ambiente de treino; | |
| `scikit-learn` registrado: **1.9.1**. | |
| ## Reprodutibilidade | |
| Código-fonte: [GitHub](https://github.com/GuiMM27/Dashboard-Pessoal-Analise-de-Dados-Fraude-). | |
| Para reproduzir a análise, obtenha o dataset diretamente no Kaggle e execute os scripts | |
| `python -m src.train` e `python -m src.diagnostics` no repositório. | |
| Checksum SHA-256 do modelo: `ae41702531a66236a35a7209001f5747748788943016f42e2823b9ad72c34a4c` | |