信用卡交易欺诈识别模型

项目介绍：原始数据中共有284807条数据，30个特征，其中正常交易数据为284315条，欺诈交易数据为492条，为典型的不平衡数据集。案例中采用xgboost算法，分别在原始样本和经过smote算法采样后的样本进行预测。其中xgboost使用gridsearchcv进行参数调优，鉴于调优时间过长，只对参数max_depth（树的深度）进行调优，并将调优后的最佳参数的模型对样本进行预测，对两种情况下的accuracy、f1-score、recall、precision和roc_auc_score进行比较。发现经过smote算法过采样后，f1-score和roc_auc_score得到明显提升。

相关参考：

1）关于非平衡样本数据的处理：https://www.zhihu.com/question/269698662/answer/352279936

2）关于smote算法的使用（使用Imblearn库）： https://zhuanlan.zhihu.com/p/137826761

代码部分：