信用卡欺诈检测实战：随机森林与类别不平衡处理的深度对比

本项目是面向机器学习初学者的实战项目，由WangareCeline开发，通过对比基准随机森林模型、SMOTE过采样和类别权重三种方法，深入探讨金融欺诈检测中的类别不平衡问题。项目使用Kaggle信用卡欺诈数据集，揭示了特定场景下简单基线模型可能优于复杂策略的重要结论，为同类问题提供参考。

金融欺诈检测面临极端类别不平衡难题（欺诈交易占比通常低于2%），准确率指标具有误导性，需关注召回率和F1分数。本项目使用Kaggle的Credit Card Fraud Detection Dataset，含10000条记录，其中正常交易9849条（98.5%）、欺诈交易151条（1.5%），特征包括交易金额、时间、商户类别、风险指标等。

数据预处理流程：无缺失值清洗，对merchant_category做标签编码，剔除transaction_id；按80/20划分训练测试集（random_state=42）。模型策略：1.基线模型：100棵树的标准随机森林；2.SMOTE过采样：在少数类样本间插值生成合成样本；3.类别权重调整：为欺诈类别设置更高权重，修改损失函数惩罚错分少数类。

实验结果对比：

模型	精确率	召回率	F1分数
基线模型	1.00	0.61	0.76
SMOTE	0.26	0.61	0.36
类别权重	1.00	0.55	0.71
关键发现：基线模型F1最高；SMOTE精确率骤降（假阳性多）；类别权重召回率略降。基线模型零假阳性（正常交易误判为欺诈数0），实际应用价值高。

实践启示：1.复杂技术不一定优于简单基线；2.不平衡数据集需优先关注召回率/F1；3.策略效果依赖数据特性（SMOTE在小数据集可能效果差）；4.领域知识构建的特征（如location_mismatch）更具预测力。项目意义：为初学者提供规范实践模板，强调科学严谨的实验态度。

项目使用Python数据科学生态工具：Python3、Pandas（数据处理）、NumPy（数值计算）、Scikit-learn（模型/评估）、Imbalanced-learn（SMOTE）、Matplotlib/Seaborn（可视化）、Jupyter Notebook（开发环境）。