Detecção de fraude em cartões
Classificação
Machine Learning
Classificação de transações fraudulentas reais sob desbalanceamento extremo, no benchmark clássico da ULB.
Problema
Identificar transações fraudulentas de cartão de crédito de portadores europeus (setembro de 2013), em que as fraudes são uma fração mínima do total.
Abordagem
Tratamento do desbalanceamento extremo e escolha de métricas adequadas ao problema, comparando modelos de classificação.
Tecnologias
Python scikit-learn Classificação desbalanceada XGBoost Optuna SHAP Streamlit
Resultados
Com desbalanceamento de 578:1 em 284.807 transações, o modelo chegou a PR-AUC 0,826, recall 0,811 e precisão 0,951 no limiar 0,264, escolhido pela curva precisão-recall e não pelo padrão de 0,5. O PR-AUC foi usado no lugar do ROC-AUC, que engana sob desbalanceamento extremo.