README.md

metadata

title: Fraud Guard Pro 🛡️
emoji: 🚀
colorFrom: red
colorTo: green
sdk: streamlit
app_file: app.py
pinned: false
license: apache-2.0
sdk_version: 1.56.0

🛡️ Fraud Guard Pro: Financial Fraud Detection System

Finansal Dolandırıcılık Tespit Sistemi

📌 Project Overview / Proje Hakkında

EN: This project is a machine learning-based decision support system designed to detect fraudulent financial transactions. Using the synthetic Paysim dataset, the model analyzes transaction patterns to distinguish between legitimate and fraudulent activities with high precision.

TR: Bu proje, şüpheli finansal işlemleri tespit etmek için geliştirilmiş makine öğrenmesi tabanlı bir karar destek sistemidir. Paysim veri setini kullanan bu model, işlem desenlerini analiz ederek dürüst ve dolandırıcılık amaçlı faaliyetleri yüksek doğrulukla birbirinden ayırır.

📊 Model Performance / Model Başarısı

EN: After testing various algorithms (Logistic Regression, Decision Tree, Naive Bayes, etc.), the Random Forest model was selected as the champion due to its superior performance.

TR: Çeşitli algoritmalar (Lojistik Regresyon, Karar Ağacı, Naive Bayes vb.) test edildikten sonra, en yüksek performansı sergileyen Random Forest modeli şampiyon olarak seçilmiştir.

• Accuracy (Doğruluk): %99.33
• F1-Score: %99.34
• Recall (Yakalama Oranı): %99.39

🛠️ Technologies Used / Kullanılan Teknolojiler

• Python (Pandas, NumPy, Scikit-Learn)
• Streamlit (Web Interface / Web Arayüzü)
• Joblib (Model Persistence / Model Kayıt)
• Hugging Face Spaces (Deployment / Yayınlama)

🚀 How It Works / Nasıl Çalışır?

EN: 1. Enter transaction details (Amount, Type, Balances) in the sidebar. 2. The model analyzes the relationship between the transaction amount and the account balance. 3. Click "Analyze" to see if the transaction is Safe or Fraudulent.

TR: 1. Yan menüden işlem detaylarını (Tutar, Tür, Bakiyeler) girin. 2. Model, işlem tutarı ile hesap bakiyesi arasındaki ilişkiyi analiz eder. 3. "Analiz Et" butonuna basarak işlemin Güvenli mi yoksa Şüpheli mi olduğunu görün.

📝 Technical Note / Teknik Not

EN: The dataset was balanced using Under-sampling to ensure the model can accurately identify rare fraud cases. The app also includes real-time decision analysis to explain "Why" a transaction was flagged.

TR: Modelin nadir görülen dolandırıcılık vakalarını doğru tanımlayabilmesi için veri seti Under-sampling yöntemiyle dengelenmiştir. Uygulama, bir işlemin neden şüpheli bulunduğunu açıklayan gerçek zamanlı karar analizleri içerir.

---