Update README.md

README.md

@@ -1,8 +1,8 @@
 ---
-title: Online Fraud Detection
+title: Fraud Guard Pro 🛡️
 emoji: 🚀
 colorFrom: red
-colorTo: red
+colorTo: green
 sdk: streamlit
 app_file: app.py
 pinned: false
@@ -10,46 +10,41 @@ license: apache-2.0
 sdk_version: 1.55.0
 ---
 
-# 🛡️ Online Payment Fraud Detection / Online Ödeme Dolandırıcılık Tespiti
+# 🛡️ 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.
 
-## 🌍 Overview / Genel Bakış
-**English:** This project is an AI-powered system designed to detect fraudulent financial transactions in real-time. Built using the **PaySim** dataset, the model identifies suspicious patterns with high precision to prevent financial loss.
+## 📊 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.
 
-**Türkçe:** Bu proje, finansal işlemlerdeki dolandırıcılık şüphelerini gerçek zamanlı olarak tespit etmek için tasarlanmış yapay zeka tabanlı bir sistemdir. **PaySim** veri seti kullanılarak eğitilen model, finansal kayıpları önlemek için şüpheli kalıpları yüksek hassasiyetle tanımlar.
+**TR:** Çeşitli algoritmalar (Lojistik Regresyon, Karar Ağacı, Naive Bayes vb.) test edildikten sonra, en yüksek performansı sergileyen **Random Forest** modeli şampiyon olarak seçilmiştir.
 
----
-
-## 🚀 Key Features / Temel Özellikler
-* **Bilingual UI:** Full support for both English and Turkish languages.
-* **High Accuracy:** Achieved **99.97%** accuracy using advanced boosting algorithms.
-* **Intelligent Analysis:** Analyzes balance discrepancies and transaction types.
-* **User-Friendly:** Simple Streamlit interface for quick testing.
-
-* **Çift Dilli Arayüz:** İngilizce ve Türkçe dilleri için tam destek.
-* **Yüksek Doğruluk:** Gelişmiş boosting algoritmaları ile **%99.97** başarı oranı.
-* **Akıllı Analiz:** Bakiye tutarsızlıklarını ve işlem türlerini analiz eder.
-* **Kullanıcı Dostu:** Hızlı test için basit ve etkili Streamlit arayüzü.
-
----
-
-## 🛠️ Tech Stack / Kullanılan Teknolojiler
-- **Python** (Core Language)
-- **Streamlit** (Web Interface)
-- **Scikit-learn / XGBoost** (ML Model)
-- **Joblib** (Model Serialization)
+* **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)
 
-## 📊 Model Performance / Model Performansı
+## 🚀 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.
 
-| Metric / Metrik | Value / Değer |
-| :--- | :--- |
-| **Accuracy (Doğruluk)** | 99.97% |
-| **Model Type** | Ensemble Learning (XGB/RF) |
-| **Dataset Size** | 6.3M+ Rows / Satır |
+**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.
 
----
+---