p align="center">

🛡️ Fraud Detection in Credit Cards |

🛡️ Detecção de Fraude em cartão de crédito

This project leverages Machine Learning to identify fraudulent transactions.
_{Este projeto uses Machine Learning para identificar transações fraudulentas.}

The main focus is balancing fraud detection with a seamless customer experience.
_{O foco principal é equilibrar a detecção de fraude com uma boa experiência para o cliente.}

The objective is to analyze transactions: amount, time, location and classify:
_{Objetivo é analisar as transações: valor, hora, local e classificar:}

✅ Legitimate / Not Fraud | Legítimo

🚩 Fraudulent | Fraude

🚀 Insight: the strategic reduction of the dataset revealed that variable V14 is important for distinguishing the transaction type.
_{🚀 Insight: A redução estratégica do dataset que revelou que a variável V14 é importante para distinguir o tipo de transação.}

This enabled a lightweight, fast model with high recall, without compromising precision.
_{Isso permitiu um modelo leve, rápido e com alto Recall, sem perda de precisão.}

The source file was the creditcard.csv from Kaggle.
_{O arquivo base foi o creditcard.csv do Kaggle.}

---

1. 📈 Code Pipeline | Pipeline do Código

a. Collection: downloaded the original dataset creditcard.csv from kaggle.
_{Coleta: download do dataset original no Kaggle creditcard.csv.}

b. Adjustment: I created a script to reduce the size of the original file, name = creditcard_reduzido10mil.csv.
_{Ajustamente: criei um scrippt para diminuir o tamanho do original, nome = creditcard_reduzido10mil.csv.}

Note: with this i had the insight to analyze both the original dataset and this reduced one, i got different results.
_{*Observação: com isso tive o insight de fazer análise tanto no dataset original quanto neste reduzido e obtive resultados diferentes. *}

c. Preparation: defined X= features and y= target.
_{Preparação: definir x= caracteristicas e y= alvo}

d. Cleaning: data preprocessing and normalization of the amount values.
_{Limpeza: tratamento de dados e normalização de valores}

e. Division: separated 80% of the data for training and 20% for testing to evaluate model learning.
_{Divisão: separar 80% dos dados para treino e 20% para modelo testar e ver se aprendeu}

f. Training: fit the models using the fit() method on the training data.
_{Treino: ajuste dos modelos utilizando o comando fit() para treinar o modelo}

g. Predictions: executed predictions on the test data using the predict() method.
_{Previsões: execução de predições com base nos dados de teste, comando predict()}

h. Metrics: generated the classification report with results for precision, recall, f1-score, accuracy, macro avg.
_{Métricas: relatório de classificação com os resultados de precision, recall, f1-score, acurácia, macro avg}

i. Visualization: confusion matrix, feature importance, precision-recall curve, decision tree and boxplot.
_{Visualização: matriz de confusão, feature importance, curva precision-recall, árvore de decisão e boxplot}

---

2. 🔬 Data Sampling experiments | Experimentos com Amostragem

To achieve the ideal model i tested the behavior of the Random Forest algorithm across three scenarios = 3 dataset sizes:
_{Para chegar ao modelo ideal, testei o comportamento do algoritmo Random Forest em três cenários = 3 tamanhos de dataset:}

• Scenario 1 = original dataset: 284,807 records (only 0,17% fraud). The extreme imbalance masks reality through high accuracy.
  _{Cenário 1 = dataset Original: 284.807 registros (apenas 0,17% são fraudes). O desbalanceamento extremo mascara a realidade através da acurácia.}

• Scenario 2 = proportional reduction : 10,000 records, keeping the original proportion which resulted in only 17 cases of fraud. The model did not have enough data to learn the pattern.
  _{Cenário 2 = redução proporcional : 10.000 registros, mantendo a proporção original que eram apenas 17 casos de fraudes. O modelo não teve dados suficientes para aprender o padrão}

• Scenario 3 = strategic reduction, Data Sampling : 10,000 records, but keeping all 492 original fraud cases . I used Random Undersampling, reducing the data by 96% while retaining all 492 fraud cases, proportion rose to 4,92%.
  _{*Cenário 3 = redução estratégica Data Sampling : 10.000 registros, mas mantendo todos os 492 casos originais de fraude. O usei Random Undersampling, reduzi os dados em 96%, mantendo todos os 492 casos de fraude, proporção subiu para 4,92%.}

Scenario | Cenário	Description | Descrição	Result | Resultado
1. Original | 1. Original	284,807 records (0.17% fraud) | 284.807 registros (0,17% fraude)	Misleading accuracy; V17 appeared to be the most important feature. | Acurácia enganosa; V17 parecia mais importante.
2. Proportional | 2. Proporcional	10,000 records (17 frauds) | 10.000 registros (17 fraudes)	Insufficient data for the model to learn. | Dados insuficientes para o aprendizado.
3. Strategic | 3. Estratégico	10,000 records (492 frauds) | 10.000 registros (492 fraudes)	V14 revealed as a critical indicator. Ideal balance achieved. | V14 revelada como indicador crítico. Equilíbrio ideal.

3rd Scenario this was the only approach that allowed the model to identify V14 as a critical feature for transaction classification, achieving the ideal balance between Precision and Recall measured by the Macro Avg.
_{3º cenário foi o único que permitiu ao modelo identificar a V14 como variável de importância para identificar o tipo de transação e alcançando o equilíbrio ideal entre Recall e Precision detectada através da Macro Avg.} The other scenarios identified V17 as the most important feature.
_{Os outros cenários identificaram a V17 como variável de importância.}

---

3.🛠️ Methodology and tools | Metodologia e Ferramentas

Supervised Classification Model | Modelo de Classificação.

I performed a comparative test betweem 2 algorithms Random Forest e Logistic Regression.
_{Realizei um teste comparativo entre os 2 algoritmos Random Forest e Logistic Regression.}

The Random Forest model achieved the best performance.
_{O modelo Random Forest teve o melhor desempenho.}

• Random Forest: A model based on decision trees. This model shows which features were the most important when deciding whether a transaction was fraud or not.
  _{*Random Forest: Modelo baseado em árvores de decisão. Este modelo mostra quais variáveis foram mais importantes para decidir se a transaçao é fraude ou não. *}

• Logistic Regression: Linear model based on mathematical formulas and weights.
  _{Logistic Regression: Modelo linear baseado em fórmulas matemáticas.}

---

📊 4. Metrics result | Resultado das métricas

• Precision=99% out of all the times the model predicted "fraud", it was right.
  _{Precisão=99% de todas as vezes que o modelo disse é "Fraude", ele acertou.}

  • Therefore the model is reliable in avoiding false positive which means blocking a case that is not fraud (honest customer).
    _{Portanto o modelo é confiável para evitar o Falso Positivo que é bloquear um caso que não e fraude (cliente honesto).}

• Recall=81% out of all the fraud cases that actually happened the model managed to cath 81%.
  _{Revocação=81%* de todas as fraudes que realmente aconteceram o modelo conseguiu pegar 81%.*}

  • Therefore the model is conservative it lets some frauds slip through but does not interrupt the honest customer.
    _{Portanto o modelo é conservador, deixa passar algumas fraude mas não interrompe o cliente honesto.}
  • Note: the challenge is to balance recall with precision to avoid blocking non freaud cases honest customer.
    _{Observação: o desafio é equilibrar o Recall com a Precision para não bloquear casos de não fraude, cliente honesto.}

• F1-Score=89% it is the harmonic mean between Precision and Recall. Since both were high, the F1 shows that the model is well-balanced. Therefore, looking at Macro AVG, will be decisive.
  _{F1-Score=89% é a média harmônica entre a Precisão e o Recall. Como os dois estão altos, o F1 mostra que o modelo é equilibrado. Então olhar para o Macro AVG, será decisivo.}

• Macro Avg=99% it is high, which means the model successfully learned and proved its effectiveness.
  _{Macro Avg=99% ele está alto, significa que aprendeu e prova que o modelo é um sucesso.}

• Accuracy=99% it is high and here lies the biggest danger of the model. It reached almost 100% accuracy, but on its own, it tells us nothing.
  _{*Acurácia=99% alta e aqui está o maior perigo do modelo, tem 100% de acurácia, mas ela sozinha não diz nada. *}

---

📊 5. Visualizações

• Confusion Matrix-heatmap| mostra os acertos e erros
  _{*Matriz de Confusão: mostra os acertos e erros Ela divide os resultados em quatro quadrantes:
  **}
• ✅ Verdadeiro Positivo : = SUCESSO - Era fraude e o modelo acertou - Canto inferior direito.
  _**
• ✅ Verdadeiro Negativo : = SUCESSO - Era compra normal e o modelo liberou - Canto superior esquerdo.
  _**
• ❌ Falso Positivo : = ERRO - Era compra normal, mas o modelo bloqueou - Canto superior direito.
  _**
• ❌ Falso Negativo : = ERRO - Era fraude, mas o modelo deixou passar - Canto inferior esquerdo.
  _**

• Feature Importance/Graphics: it displays variables in order of importance. In this project the variable V14 is at the top, meaning it is the most important variable for fraud detection.
  _{*Importância das Variáveis/Gráfico: mostra as variáveis por ordem de importância. Neste projeto a variável V14 está no topo, significando que ela é a variável mais importante para detectarmos uma fraude.}
• Curva Precision-Recall: este gráfico mostra a estabilidade; se a linha cair muito rápido, o modelo é instável para casos raros.
  _**
  • Visualização de uma Árvore: O Random Forest cria várias árvores. Analisei a primeira/index 0 para entender a lógica e as perguntas que o modelo faz tipo "O valor da compra é > X?" Se sim, vá para a esquerda...".
    _**
• BoxPlot: Para visualização da variável importante..
  
  _**

---

🎯 6. Conclusão:

O modelo é um sucesso.
Tem um aprendizado equilibrado garantindo uma confiabilidade de 99% definido pela métrica Macro Avg.
Insight : ele identificou a V14 como outra variável importante para distinguir o tipo de transação.
No 3º arquivo consegui um resultado técnico muito próximo ao do arquivo completo que era muito grande processando apenas 10 mil registros.

• Cuidado, nem sempre a Acurácia de 100% define se o modelo e bom ou ruim, temos que também olhar para as outras métricas : precision, recall e macro avg.
  _**

---

Análise detalhada, resultados e conclusão

Análise<