Java Ready | Программирование on Telegram: “Выявление мошеннических транзакций с помощью ML!…”

Выявление мошеннических транзакций с помощью ML!

Детекция мошеннических операций — одна из основных задач финтех-систем. Модель должна оценивать риск транзакции и выявлять подозрительную активность в потоке платежей.

Установка библиотек:

pip install pandas scikit-learn

Будем использовать pandas для работы с данными и scikit-learn для построения модели.

Импорт модулей:

import pandas as pd

from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report

Мы будем использовать пайплайн, который объединяет предобработку и модель — это стандартная практика для воспроизводимости и предотвращения утечек данных.

Пример структуры данных (учебный):

data = pd.DataFrame({
    "amount": [12, 35, 60, 15, 22, 40, 2500, 4200, 5000, 3600],
    "hour": [14, 18, 12, 10, 16, 19, 3, 2, 1, 2],
    "is_foreign": [0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
    "transactions_last_24h": [2, 3, 1, 2, 2, 3, 15, 20, 25, 18],
    "fraud": [0, 0, 0, 0, 0, 0, 1, 1, 1, 1]
})

Признаки отражают типичные сигналы риска: сумма операции, время суток, зарубежная транзакция и активность аккаунта за последние сутки. Целевая переменная fraud показывает, признана ли операция мошеннической.

Разделим данные на признаки и целевую переменную:

X = data.drop(columns=["fraud"])
y = data["fraud"]

Теперь модель будет учиться предсказывать fraud на основе остальных признаков.

Разделим данные на обучающую и тестовую выборки:

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

Стратификация сохраняет долю мошеннических операций в обеих выборках, что особенно важно при дисбалансе классов.

В антифроде логистическая регрессия часто используется как базовая модель: она быстрая, понятная и умеет оценивать вероятность мошенничества. Чтобы учесть дисбаланс классов, зададим веса.

Обучим модель в составе пайплайна:

model = Pipeline(steps=[
    ("scaler", StandardScaler()),
    ("clf", LogisticRegression(max_iter=1000, class_weight="balanced"))
])

model.fit(X_train, y_train)

StandardScaler нормализует числовые признаки, что улучшает сходимость линейных моделей.

Оценка качества модели:

y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred))

Отчёт показывает precision, recall и F1-меру для каждого класса. На малых данных, метрики приведены исключительно в демонстрационных целях.

Пример оценки новой транзакции:

tx = pd.DataFrame([{
    "amount": 3200,
    "hour": 2,
    "is_foreign": 1,
    "transactions_last_24h": 18
}])

risk = model.predict_proba(tx)[0][1]
print("Вероятность мошенничества:", round(risk, 2))

Модель возвращает вероятность fraud, которую можно использовать для принятия решения.

🔥 В настоящих системах такие модели работают в режиме реального времени: вероятность риска влияет на блокировку операции, запрос дополнительной аутентификации или передачу транзакции на ручную проверку.

👉 Java Ready | #практика