2026 AI 新秀專班 — 題目十七實作專題
fraud_detection/
├── app.py # Streamlit 主程式(Dashboard)
├── requirements.txt
├── modules/
│ ├── data_generator.py # 模組一:資料生成 + 特徵工程
│ └── model.py # 模組二:模型層(GBM + IsoForest + 規則引擎)
└── data/
└── models/ # 訓練後模型存放處(自動建立)
pip install -r requirements.txtcd fraud_detection
python -m modules.model首次執行約需 30–60 秒,訓練結果存於 data/models/engine.pkl。
若跳過此步驟,Streamlit 啟動時會自動訓練。
streamlit run app_v2.py瀏覽器開啟 http://localhost:8501
| 頁面 | 功能 |
|---|---|
| 🔍 即時偵測 | 輸入單筆交易,即時顯示風險分數、規則觸發、特徵貢獻 |
| 📊 監控總覽 | KPI 卡片、風險分佈圖、商戶/國家詐欺率、時段分析 |
| 📈 模型效能 | ROC-AUC、特徵重要性、分類報告、ROC 曲線 |
| 📋 交易明細 | 可篩選交易列表、顏色標記、CSV 下載 |
交易資料輸入
↓
特徵工程(15 個特徵:速度/金額/行為/地理設備)
↓
┌───────────────────────────────────┐
│ GradientBoosting (50%) │ ← 監督式,有標記資料
│ Isolation Forest (25%) │ ← 非監督式,偵測新型詐欺
│ 規則引擎 × 6 條 (25%) │ ← 法規合規,不可覆蓋
└───────────────────────────────────┘
↓
Ensemble 風險分數 0–100
↓
< 40 → 放行
40–74 → OTP 二次驗證
≥ 75 → 阻擋交易 + LLM 報告
-
即時偵測頁 — 輸入三個對比案例:
- 正常消費(台灣餐廳 350 元)→ 分數 ~10,放行 ✅
- 可疑交易(境外新設備)→ 分數 ~55,OTP
⚠️ - 連刷詐欺(1 分鐘 5 筆 + 奈及利亞)→ 分數 ~90,阻擋 ❌
-
監控總覽頁 — 展示當日統計數字和詐欺熱區地圖
-
模型效能頁 — 秀出 ROC-AUC 和特徵重要性,強調「可解釋性」
- 接入 Kaggle IEEE-CIS 真實資料集驗證效果
- 加入 LLM(OpenAI / Claude API)生成文字版風控報告
- 用 Kafka 模擬串流資料,展示「即時」特性
- 用 XGBoost 替換 GradientBoosting(需另外安裝)