Hugging Face's logo

Spaces:
Haticece
/
FraudDetection
Build error

App Files Community
FraudDetection
File size: 2,837 Bytes 
8cfe684
 
0caba62
8cfe684
 
 
a377447
8cfe684
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
0caba62
adf6446
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
0caba62
 
adf6446
 
 
 
 
 
 
233b909
 
 
63282e1
233b909
adf6446
 
 
 
 
 
 
 
 
 
 
233b909
63282e1
adf6446
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
 
import pandas as pd
import joblib
import gradio as gr
from sklearn.preprocessing import OneHotEncoder
from sklearn.impute import SimpleImputer

# Modeli, encoder'ı ve imputer'ı yükleme
logreg_model = joblib.load('logreg_model.pkl')
rf_model = joblib.load('rf_model.pkl')
encoder = joblib.load('encoder.pkl')
imputer = joblib.load('imputer.pkl')

# Veri setini yükleme ve ön işleme fonksiyonu
def load_and_preprocess(csv_file_path):
    df = pd.read_csv(csv_file_path)
    df.fillna({"paymentMethod": "UNKNOWN"}, inplace=True)
    df["paymentMethod"] = df["paymentMethod"].map({
        "creditcard": 1,
        "paypal": 2,
        "storecredit": 3,
        "UNKNOWN": 0
    })
    return df

# payment_fraud.csv dosyasını yükle
data = load_and_preprocess("payment_fraud.csv")

# Kategorik sütunları tanımla
categorical_cols = ['paymentMethod']

# Gradio Arayüzü Fonksiyonu
def fraud_detection(accountAgeDays, numItems, localTime, paymentMethod, paymentMethodAgeDays):
    # Öznitelikleri DataFrame'e dönüştürme
    input_data = pd.DataFrame({
        'accountAgeDays': [accountAgeDays],
        'numItems': [numItems],
        'localTime': [localTime],
        'paymentMethod': [paymentMethod],
        'paymentMethodAgeDays': [paymentMethodAgeDays]
    })

    # Kategorik sütunları one-hot kodlama ile dönüştürme
    encoded_data = encoder.transform(input_data[categorical_cols])
    encoded_df = pd.DataFrame(
        encoded_data,
        columns=encoder.get_feature_names_out(categorical_cols)
    )
    input_data = input_data.drop(categorical_cols, axis=1)
    input_data = pd.concat(
        [input_data.reset_index(drop=True), encoded_df.reset_index(drop=True)],
        axis=1
    )

    # Eksik değerleri doldurma
    input_data = imputer.transform(input_data)

    # Tahminleri yapma
    logreg_prediction = logreg_model.predict(input_data)[0]
    rf_prediction = rf_model.predict(input_data)[0]

    # Sonuçları formatlama
    logreg_result = "Normal" if logreg_prediction == 0 else "Fraud"
    rf_result = "Normal" if rf_prediction == 0 else "Fraud"

    return f"Logistic Regression: {logreg_result}\nRandom Forest: {rf_result}"

# Gradio Arayüzünü Oluşturma
iface = gr.Interface(
    fn=fraud_detection,
    inputs=[
        gr.Number(label="Hesap Yaşı (Gün)"),
        gr.Number(label="Ürün Sayısı"),
        gr.Number(label="Yerel Saat (4.44 gibi)"),
        gr.Dropdown(label="Ödeme Yöntemi", choices=["creditcard", "paypal", "storecredit", "UNKNOWN"]),
        gr.Number(label="Ödeme Yöntemi Yaşı (Gün)"),
    ],
    outputs=gr.Textbox(label="Tahmin Sonuçları"),
    title="Ödeme Sahtekarlığı Tespit Sistemi",
    description="Gerekli bilgileri girerek işlemin sahte olup olmadığını tahmin edin.",
)

# Arayüzü Başlatma
iface.launch(debug=True, share=True)