Detekcija prevara sa kreditnim karticama

Detekcija prevara u transakcijama kreditnim karticama

Cilj ovog problema je identifikacija prevarnih transakcija kreditnim karticama na osnovu stvarnog, anonimizovanog skupa podataka. Problem odražava scenario iz stvarnog sveta, gde su podaci veoma neuravnoteženi, a prevarne transakcije su retke.

Skup podataka

Projekat koristi dve CSV datoteke:

• train.csv - skup podataka za obuku
• test.csv - skup podataka za testiranje

Napomena: Kolona Class je dostupna samo u train.csv.

Važna napomena: Skup podataka je ozbiljno neuravnotežen, tako da preciznost (accuracy) nije relevantna metrika za evaluaciju modela klasifikacije.

Podzadaci

Podzadatak 1 - Statistička analiza transakcija (10 poena)

Odredite koliko prevarnih transakcija ima Amount veći od prosečnog Amount legitimnih transakcija.

Odgovor je ceo broj.

Podzadatak 2 - Mahalanobisovo rastojanje (10 poena)

Procenite koliko su "anomalne" prevarne transakcije koristeći Mahalanobisovo rastojanje, koje uzima u obzir sve numeričke varijable istovremeno (Amount + V1-V28).

Predloženi koraci:

1. Selektujte sve prevarne transakcije (Class = 1) iz train.csv.
2. Izračunajte srednji vektor i kovariacionu matricu numeričkih kolona.
3. Izračunajte Mahalanobisovo rastojanje za svaku transakciju.
4. Prijavite prosek Mahalanobisovih rastojanja, zaokružen na 2 decimale.

Podzadatak 3 - Detekcija prevare (80 poena)

Za svaku transakciju iz test.csv, predvidite oznaku prevare:

• 1 = prevara
• 0 = legitimna transakcija

Glavna metrika: F1-score na klasi 1.

Format datoteke za slanje

Datoteka za slanje mora biti u CSV formatu sa sledećim kolonama:

Pravila:

• Podzadatak 1 i Podzadatak 2: datapointID = 1 (jedan odgovor).
• Podzadatak 3: po jedno predviđanje za svaku transakciju iz test.csv, sa datapointID = vrednost iz kolone id.

Primer:

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

Napomena: Rešavanje ovog problema ne zahteva korišćenje Transformer arhitektura.