Detekce podvodů s kreditními kartami

Detekce podvodů v transakcích s kreditními kartami

Cílem tohoto problému je identifikovat podvodné transakce kreditními kartami na základě reálného, anonymizovaného souboru dat. Problém odráží scénář z reálného světa, kde jsou data silně nevyvážená a podvodné transakce jsou vzácné.

Soubor dat

Projekt využívá dva soubory CSV:

• train.csv - trénovací sada dat
• test.csv - testovací sada dat

Poznámka: Sloupec Class je k dispozici pouze v train.csv.

Důležité upozornění: Soubor dat je silně nevyvážený, proto přesnost (accuracy) není relevantní metrikou pro hodnocení klasifikačních modelů.

Podúkoly

Subtask 1 - Statistická analýza transakcí (10 bodů)

Určete, kolik podvodných transakcí má Amount vyšší než průměrný Amount legitimních transakcí.

Odpovědí je celé číslo.

Subtask 2 - Mahalanobisova vzdálenost (10 bodů)

Vyhodnoťte, jak „abnormální“ jsou podvodné transakce pomocí Mahalanobisovy vzdálenosti, která bere v úvahu všechny číselné proměnné současně (Amount + V1-V28).

Navrhované kroky:

1. Vyberte všechny podvodné transakce (Class = 1) z train.csv.
2. Vypočítejte průměrný vektor a kovarianční matici číselných sloupců.
3. Vypočítejte Mahalanobisovu vzdálenost pro každou transakci.
4. Uveďte průměr Mahalanobisových vzdáleností, zaokrouhlený na 2 desetinná místa.

Subtask 3 - Detekce podvodu (80 bodů)

Pro každou transakci v test.csv předpovězte štítek podvodu:

• 1 = podvod
• 0 = legitimní transakce

Hlavní metrika: F1-score pro třídu 1.

Formát souboru pro odevzdání

Soubor pro odevzdání musí být ve formátu CSV s následujícími sloupci:

Pravidla:

• Subtask 1 a Subtask 2: datapointID = 1 (jedna odpověď).
• Subtask 3: jedna predikce pro každou transakci z test.csv, přičemž datapointID = hodnota ze sloupce id.

Příklad:

1subtaskID,datapointID,answer21,1,4232,1,0.2743,227846,153,227847,063,227848,0

Poznámka: Řešení tohoto problému nevyžaduje použití architektur typu Transformer.