Modelo de Machine Learning para detecção e previsão de transações fraudulentas, com foco em alta precisão e minimização de falsos negativos.
Este projeto tem como objetivo desenvolver um modelo preditivo capaz de identificar transações fraudulentas em conjuntos de dados financeiros. A detecção de fraudes é um problema crítico no setor bancário e de pagamentos, onde um alto número de falsos negativos pode gerar perdas financeiras significativas.
O pipeline completo inclui desde a análise exploratória dos dados até a avaliação final do modelo, passando por tratamento de desbalanceamento de classes, engenharia de features e otimização de hiperparâmetros.
- Identificar padrões associados a transações fraudulentas
- Construir um modelo com alta sensibilidade (recall) para fraudes
- Tratar o desbalanceamento de classes presente em dados reais
- Avaliar o desempenho com métricas adequadas para dados desbalanceados
| Métrica | Valor |
|---|---|
| Acurácia | 99.23% |
| Categoria | Ferramentas |
|---|---|
| Linguagem | Python 3.10+ |
| Análise de Dados | Pandas, NumPy |
| Visualização | Matplotlib, Seaborn |
| Machine Learning | Scikit-learn, Random Forest / KNN / SVM |
| Balanceamento | imbalanced-learn (SMOTE, RandomUnderSampler) |
| Ambiente | Jupyter Notebook |