信用卡欺诈检测实战：从数据探索到多模型对比的完整机器学习 Pipeline

本文介绍开源项目fraud-detection-ml，针对信用卡欺诈检测中的极度类别不平衡问题，构建从数据探索到模型部署的完整机器学习Pipeline。项目涵盖特征工程、SMOTE过采样技术应用、多模型（逻辑回归、随机森林、XGBoost、神经网络）对比，为金融风控提供实践参考。

信用卡欺诈每年造成全球数百亿美元损失，检测面临极度类别不平衡（欺诈交易占比<0.1%），导致准确率指标失效。项目使用欧洲持卡人两天交易的Creditcard数据集，含PCA匿名特征V1-V28、金额（Amount）和时间（Time）。数据特点：欺诈交易金额分布集中、时间有聚集性；类别分布极端不平衡（欺诈占0.17%），需关注精确率、召回率等指标。

特征工程：1.金额对数变换压缩长尾分布；2.时间提取小时并周期性编码（正弦/余弦）；3.用RobustScaler缩放金额特征（对异常值鲁棒）。类别不平衡处理：仅在训练集应用SMOTE生成合成少数类样本（避免数据泄漏）。模型选择：基线逻辑回归（可解释）、随机森林（非线性交互+特征重要性）、XGBoost（调优+SHAP解释）、MLP（非线性映射）。调优：RandomizedSearchCV+分层K折交叉验证（保持类别比例）。

评估指标：混淆矩阵（关注漏检FN与误报FP）、分类报告（精确率/召回率/F1）、ROC-AUC（整体区分能力）、PR-AUC（更敏感于不平衡场景）。阈值调优：根据业务需求选择（高召回率选低阈值，高精确率选高阈值）。特征重要性：随机森林特征排序、XGBoost的SHAP值分析，揭示关键特征贡献。

1.模块化设计：数据加载、探索、预处理、训练、评估分离；2.配置集中管理：config.py统一参数；3.输出管理：自动保存EDA图表、模型对比图等至outputs目录；4.Colab支持：提供云端笔记本降低使用门槛。

启示：1.类别不平衡需结合技术（SMOTE）与业务（阈值选择）；2.模型选择服务业务目标；3.评估指标对齐业务成本；4.可解释性是必需（如SHAP值）。局限：未考虑交易时序特性（如历史行为、短时间多笔交易关联）；数据集为PCA匿名化，缺失商户类型、地理位置等上下文信息。改进：引入时序特征、补充真实业务上下文数据。

fraud-detection-ml项目提供完整的信用卡欺诈检测Pipeline，覆盖数据探索、特征工程、不平衡处理、多模型对比、评估等关键环节。对金融风控机器学习入门者及不平衡场景从业者，是有价值的学习资源。