Detecção de Fraude em Cartão de Crédito

Este projeto consiste no desenvolvimento de um modelo de aprendizado de máquina para identificar transações fraudulentas utilizando o dataset de Credit Fraud do Kaggle.

O foco principal é lidar com o desbalanceamento dos dados e garantir o melhor resultado na métrica de ROC-AUC

---

🚀 Estrutura do Projeto

O repositório está organizado da seguinte forma:

• EDA.ipynb: Notebook contendo a Análise Exploratória de Dados para entender a distribuição das variáveis e a correlação entre fraudes.

• Preprocess_Training.ipynb: Notebook responsável pelo pré-processamento dos dados (tratamento de desbalanceamento, escalonamento) e pelo treinamento do modelo.

• Inference.ipynb: Notebook para execução de inferências em novos dados utilizando o modelo salvo.

• Model/: Pasta que armazena os artefatos do modelo:

  • XGB_RUS_20-20:35:58.pkl: O melhor modelo treinado (XGBoost com Random Under Sampling).
  • history_metrics.csv: Histórico de desempenho e hiperparâmetros utilizados.

• requirements.txt: Lista de dependências e bibliotecas necessárias para rodar o projeto.

• submissao_credit_fraud.csv: Arquivo de submissão de resultados para o Kaggle.

---

🛠️ Pré-requisitos

Para garantir o funcionamento correto, utilize a versão do Python 3.12.13.

---

🔧 Instalação e Configuração

1.Clonar o repositório:

git clone https://github.com/seu-usuario/nome-do-repositorio.git
cd nome-do-repositorio

2. Criar um ambiente virtual (recomendado):

python -m venv venv
source venv/bin/activate  # No Windows: venv\Scripts\activate

3. Instalar dependências:

pip install -r requirements.txt

4. Dataset:

Baixe o dataset diretamente do Kaggle: Credit Card Fraud Detection.

Importante: Coloque o arquivos train.csv, test.csv baixado diretamente no diretório raiz do projeto.

5. Utilização:

• Execute as células presentes no EDA.ipynb, para verificar as discussões comentadas.

• Caso deseje, faça a execução dos treinamentos dos modelos no Preprocess_Training.ipynb, sinta-se livre para experimentar as células comentas e analisar os diferentes resultaddos.

• Por fim, mesmo que não tenha executado o notebook de treinamento, o melhor modelo já está salvo na pasta Model, e no Inference.ipynb é possível executar todas as células para verificar as análises das métricas e gerar o submissao_credit_fraud.csv.

---

📈 Resultados do Modelo

O modelo selecionado para este projeto foi o XGB_RUS, cujos resultados obtidos no treinamento foram:

• ROC-AUC: 0.9794
• Precisão: 0.04
• Recall: 0.90

Os melhores hiperparâmetros identificados via busca foram: learning_rate: 0.1, max_depth: 3, n_estimators: 100 e subsample: 0.8.

---

💻 Como Utilizar

Para reproduzir os resultados ou testar o modelo, siga a ordem dos notebooks:

1. Execute o EDA.ipynb para uma visão geral dos dados.

2. Execute o Preprocess_Training.ipynb para processar os dados e gerar o arquivo do modelo.

3. Utilize o Inference.ipynb para carregar o arquivo .pkl e realizar predições.