# FraudX Analyst：结合机器学习、SHAP可解释性与RAG聊天机器人的信用卡欺诈检测移动应用 > 一款端到端欺诈检测系统，结合三种机器学习模型、SHAP特征重要性可视化、Google Gemini AI解释和基于Pinecone向量数据库的RAG聊天机器人，以Flutter移动应用形式呈现。 - 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo) - 发布时间: 2026-06-07T14:15:26.000Z - 最近活动: 2026-06-07T14:23:43.333Z - 热度: 154.9 - 关键词: 信用卡欺诈检测, 机器学习, SHAP可解释性, Flutter, XGBoost, LightGBM, RAG, Google Gemini, Pinecone, FastAPI - 页面链接: https://www.zingnex.cn/forum/thread/fraudx-analyst-shaprag - Canonical: https://www.zingnex.cn/forum/thread/fraudx-analyst-shaprag - Markdown 来源: ingested_event --- ## 原作者与来源 - **原作者/维护者：** Avinaash A/L Loganathan - **来源平台：** GitHub - **原始标题：** fraudX-analyst - **原始链接：** https://github.com/Avinaash2002/fraudX-analyst - **发布时间：** 2026年6月 - **所属机构：** 马来西亚砂拉越大学（UNIMAS）毕业设计项目 --- ## 项目概述 FraudX Analyst是一款基于Flutter的移动端信用卡欺诈检测应用，它不仅仅提供简单的欺诈预测，而是通过三重技术栈——机器学习模型预测、SHAP可解释性分析、以及生成式AI解释——为用户提供全面、透明、可交互的欺诈检测体验。 该项目是马来西亚砂拉越大学（UNIMAS）的毕业设计项目，展示了如何将现代AI技术整合到实用的移动应用中，解决金融安全领域的实际问题。 ## 核心功能亮点 ### 1. 三重机器学习模型 应用集成了三种不同的机器学习模型，用户可以根据需求选择或让系统自动选择最佳模型： - **XGBoost**：梯度提升决策树，在欺诈检测任务中表现优异 - **LightGBM**：微软开发的高效梯度提升框架，训练速度快 - **Autoencoder**：基于TensorFlow的深度学习异常检测模型 系统会基于F1分数自动选择表现最佳的模型，确保预测准确性。 ### 2. SHAP可解释性分析 这是FraudX Analyst的核心差异化功能。每次预测后，系统都会生成SHAP（SHapley Additive exPlanations）特征重要性图表： - **红色条形**：表示推动预测为欺诈的特征 - **绿色条形**：表示推动预测为正常的特征 - **特征含义解释**：例如V14代表历史欺诈相关性 这种可视化让用户不仅知道"是不是欺诈"，更清楚"为什么是欺诈"，大大增强了模型的可信度和实用性。 ### 3. RAG驱动的AI聊天机器人 应用集成了基于检索增强生成（RAG）的AI聊天机器人： - **Google Gemini 2.5 Flash**：提供强大的语言理解和生成能力 - **Pinecone向量数据库**：存储和管理欺诈检测知识库，支持2048维嵌入 - **上下文记忆**：维护最近6条对话的上下文 - **专业领域知识**：基于精心策划的欺诈检测知识库回答问题 用户可以询问特定模拟结果的解释，或了解欺诈检测的一般知识，获得专业且易懂的回答。 ### 4. 交互式16步引导教程 对于首次使用用户，应用提供了精心设计的16步引导教程： - **实操交互**：用户在引导过程中执行真实的模拟操作 - **视觉提示**：闪烁指示器、浮动继续按钮 - **导航限制**：确保用户按正确顺序完成引导 - **一次性显示**：通过SharedPreferences记录，每个设备只显示一次 这种设计大大降低了新用户的学习成本。 ### 5. 智能模型升级机制 训练功能采用智能升级策略： - 使用Optuna进行超参数调优（每个模型10次试验） - 只有当新模型的F1分数高于现有模型时，才会覆盖保存 - 防止模型退化，确保系统持续优化 ## 技术架构详解 ### 系统架构 ``` Flutter App (Android) │ ▼ HTTPS ┌──────────────────────────────────────┐ │ FastAPI Backend (Docker on Render) │ │ │ │ │ ┌───────────┐ ┌──────────────────┐ │ │ │ ML Models │ │ SHAP Explainer │ │ │ │ XGBoost │ │ TreeExplainer │ │ │ │ LightGBM │ │ KernelExplainer │ │ │ │Autoencoder│ │ │ │ │ └─────┬─────┘ └────────┬─────────┘ │ │ │ │ │ │ ▼ ▼ │ │ ┌──────────────────────────────┐ │ │ │ Google Gemini API │ │ │ │ • AI Explanations │ │ │ │ • RAG Chat Responses │ │ │ │ • Embedding Generation │ │ │ └──────────────────────────────┘ │ └──────┬──────────────┬────────────────┘ │ │ ▼ ▼ Supabase Pinecone (PostgreSQL) (Vector DB) ``` ### 技术栈分层 | 层级 | 技术 | |------|------| | 前端 | Flutter 3.29, Dart, Provider状态管理 | | 后端 | Python 3.11, FastAPI | | 机器学习 | XGBoost, LightGBM, TensorFlow (Autoencoder) | | 可解释性 | SHAP (TreeExplainer, KernelExplainer) | | 实验追踪 | MLflow（本地训练阶段） | | 生成式AI | Google Gemini 2.5 Flash | | 向量数据库 | Pinecone (2048维嵌入) | | 数据库 | Supabase (PostgreSQL) | | 部署 | Docker, Render | | 超参数优化 | Optuna | ## 数据集与模型性能 ### 训练数据 应用基于Kaggle信用卡欺诈数据集训练： - **规模**：284,807笔交易记录 - **欺诈比例**：492例欺诈（0.17%），极度不平衡数据集 - **特征**：28个PCA转换特征（V1-V28）+ 时间 + 金额 - **来源**：2013年9月欧洲持卡人交易数据 ### 模型性能对比 | 模型 | 准确率 | 精确率 | 召回率 | F1分数 | AUC-ROC | |------|--------|--------|--------|--------|---------| | XGBoost | 99.95% | 87.14% | 82.43% | 84.72% | 0.9787 | | LightGBM | 99.95% | 88.24% | 81.08% | 84.51% | 0.9722 | | Autoencoder | 99.81% | 44.30% | 47.30% | 45.75% | 0.9490 | 从结果可以看出，XGBoost和LightGBM在精确率和召回率之间取得了更好的平衡，而Autoencoder虽然召回率较低，但在无监督异常检测场景下仍有其价值。 ## 核心功能模块 ### 1. 实时统计面板 - 安全/欺诈交易计数 - 模型准确率显示 - AUC-ROC指标 - 点击最近交易查看详情 - 下拉刷新和标签切换自动重载 - Render冷启动重试机制 ### 2. 模拟检测功能 - 从测试集加载真实未见过的交易 - 实时输入验证（金额、时间、卡号） - 三模型选择或自动选择最优（最高F1） - SHAP特征重要性可视化 - AI解释生成 ### 3. 模型训练功能 - 内置Kaggle数据集（284,807笔交易） - 支持自定义CSV上传 - Optuna超参数调优（每模型10次试验） - 智能升级：仅当新F1 > 现有F1时覆盖 - 数据集格式指南（含V1-V28 PCA描述） - PDF训练报告导出 ### 4. 模型对比功能 - 并排条形图展示5项指标 - 每个指标的信息说明对话框 - 最佳模型奖杯徽章标识 - PDF对比报告导出 ### 5. AI聊天机器人 - 基于Google Gemini + Pinecone - 专业欺诈检测知识库 - 维护对话上下文（最近6条消息） - 解释特定模拟结果 ## 项目结构 ``` fraudX-analyst/ ├── backend/ │ ├── app/ │ │ ├── main.py # FastAPI入口 │ │ ├── database.py # Supabase异步连接 │ │ ├── models.py # Pydantic模型 │ │ ├── api/ │ │ │ ├── predict.py # POST /predict端点 │ │ │ ├── chat.py # POST /chat端点 │ │ │ ├── history.py # GET /history端点 │ │ │ └── train.py # GET /models, POST /train │ │ └── services/ │ │ ├── ml_service.py # 模型加载与推理 │ │ ├── xai_service.py # SHAP解释 │ │ └── gemini_service.py # Gemini AI集成 │ ├── ml/ │ │ ├── training/ │ │ │ ├── preprocess.py # 数据预处理（无泄漏） │ │ │ ├── train_all.py # 完整训练管道 │ │ │ ├── train_xgboost.py # XGBoost + Optuna │ │ │ ├── train_lightgbm.py # LightGBM + Optuna │ │ │ ├── train_autoencoder.py # Autoencoder │ │ │ └── models_saved/ # 序列化模型和指标 │ │ └── data/ │ │ └── test_sample.csv # 574行保留样本 │ ├── knowledge_base/ │ │ ├── knowledge_content.py # 欺诈检测知识 │ │ └── upload_knowledge.py # Pinecone上传脚本 │ ├── Dockerfile │ ├── requirements.txt │ └── .env.example │ └── fraudx_analyst_app/ ├── lib/ │ ├── main.dart │ ├── config/ │ │ └── api_config.dart # API URL配置 │ ├── models/ │ ├── providers/ │ ├── services/ │ └── screens/ ├── assets/ └── pubspec.yaml ``` ## 部署与使用 ### 后端部署 后端已部署在Render平台： - 在线地址：https://fraudx-analyst.onrender.com - API文档：https://fraudx-analyst.onrender.com/docs ⚠️ 注意：Render免费版在无活动15分钟后会进入休眠状态，首次请求可能需要约30秒唤醒。 ### 本地开发 **后端启动：** ```bash cd backend python -m venv venv source venv/bin/activate # macOS/Linux pip install -r requirements.txt cp .env.example .env # 填写API密钥 python knowledge_base/upload_knowledge.py uvicorn app.main:app --reload --host 0.0.0.0 --port 8000 ``` **前端启动：** ```bash cd fraudx_analyst_app flutter pub get # 更新lib/config/api_config.dart中的后端URL flutter run # 或构建发布版 flutter build apk --release ``` ## 项目价值与启示 FraudX Analyst展示了一个完整的AI应用开发范例： 1. **可解释AI的重要性**：SHAP让用户理解预测原因，增强信任 2. **多模型策略**：不同模型有不同优势，提供选择灵活性 3. **RAG增强的聊天机器人**：结合专业知识和生成能力，提供精准回答 4. **用户体验设计**：16步引导教程降低使用门槛 5. **生产级部署**：Docker容器化、Render云部署、Supabase托管数据库 对于希望构建类似AI驱动移动应用的开发者，FraudX Analyst提供了完整的技术参考和实现思路。