Fraud Detection with PaySim

Модель машинного обучения для обнаружения мошеннических транзакций на датасете PaySim.
Проект демонстрирует полный пайплайн: EDA, feature engineering, обучение XGBoost, оценку с бизнес-метриками и интерпретацию через SHAP.

Датасет

PaySim в себе содержит различные синтетические финансовые транзакции с приличным дисбалансом классов.

Основные этапы

1. EDA - анализ дисбаланса, распределений, типов транзакций.
2. Feature engineering - агрегаты по временным окнам (24h, 168h), балансовые признаки.
3. Моделирование - XGBoost с scale_pos_weight, сравнение с логистической регрессией.
4. Оценка - PR-AUC, выбор порога с приоритетом recall (0.85).
5. Интерпретация - SHAP (глобальная важность, локальные примеры).

Результаты

• PR-AUC: 0.972
• Recall: 0.85 (при пороге 0.978)
• Precision: 0.94
• Ключевые признаки: сумма транзакции, обнуление баланса отправителя, тип транзакции.

Интерпретация

SHAP показывает, почему именно модель помечает транзакцию как мошенническую, выделяя вклад каждого признака. Примеры плотов - в ноутбуке.

Структура

Transaction-Fraud-Detection/
├── transaction-fraud-detection.ipynb # основной ноутбук
├── requirements.txt
└── README.md