8000 GitHub - jay0614/app · GitHub
[go: up one dir, main page]

Skip to content
jay0614Public

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Latest commit

 

History

4 Commits

Folders and files

Repository files navigation

🛡️ AI 金融詐欺偵測系統

2026 AI 新秀專班 — 題目十七實作專題

專案結構

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)

快速開始

1. 安裝依賴

pip install -r requirements.txt

2. (可選)預先訓練模型

cd 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。

3. 啟動 Dashboard

streamlit run app_v2.py

瀏覽器開啟 http://localhost:8501


四個頁面說明

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

模型架構

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

Demo 展示劇本(發表建議)

  1. 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 ❌
  2. 監控總覽頁 — 展示當日統計數字和詐欺熱區地圖

  3. 模型效能頁 — 秀出 ROC-AUC 和特徵重要性,強調「可解釋性」


延伸方向(加分項目)

  • 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)

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages

0