پروژه یادگیری ماشین تشخیص تقلب در پرداخت های آنلاین با پایتون (Machine Learning)

پروژه تشخیص تقلب در پرداخت های آنلاین با یادگیری ماشین با پایتون (Fraud detection in online payments using machine learning with Python)

Fraud detection

شناسه محصول: 2020 دسته: هوش مصنوعی, یادگیری ماشین (machine learning) برچسب: csv, Machine Learning, python, python project, پایتون, پروژه پایتون, پروژه تشخیص تقلب, یادگیری ماشین تاریخ انتشار: 29 تیر 1403آخرین بروز رسانی: 4 آبان 1403

قیمت محصول

رایگان

جزئیات بیشتر

طراحی با:	Python
طراح و کدنویس پروژه:	محمدرضا باغبانی
قابلیت سفارشی سازی:	دارد
پشتیبانی سریع:	دارد

روند خرید و دسترسی به محصول

در خانه کد، با وجود تلاش‌های بسیار زیاد برای تهیه پروژه‌های کدنویسی، تا حد امکان پروژه‌ها را به صورت رایگان قرار داده‌ایم و هدف اصلی ما در خانه کد، کمک به همه دانشجویان و طالبان علم در این حوزه هست. علاوه برآن برای خرید در وب سایت، خرید با استفاده از کلیه کارت های شتاب امکان پذیر است و بلافاصله پس از خرید، لینک دانلود محصول در اختیار شما قرار خواهد گرفت. علاوه‌براین که امکان پرداخت به صورت آنلاین فراهم شده است، می‌توان به صورت کارت به کارت نیز برای پرداخت اقدام کرد که برای این امر می‌توانید با پشتیبان سایت در تماس باشید. همچنین برای خرید آسان‌تر از وب‌سایت می‌توانید از منوی سایت گزینه (نحوه خرید و پرداخت) را کلیک نمایید و ویدیوی آموزشی را مشاهده نمایید. توجه نمایید که با توجه به انحصاری بودن پروژه های موجود در وب‌سایت خانه کد و زحمت و تلاش بسیار زیاد برای تهیه هر کدام از پروژه‌ها، خواهش‌مندیم در راستای حمایت از تیم خانه کد، وب‌سایت را به دیگران نیز معرفی نمایید.

دسترسی به فایل محصول به صورت مادام‌العمر
پشتیبانی کاملا رایگان
امکان خرید آنلاین و کارت به کارت
روند خرید آسان از وب‎‌سایت
انحصاری بودن محصولات وب‌سایت

توضیحات مختصر محصول

پروژه تشخیص تقلب در پرداخت های آنلاین با یادگیری ماشین با پایتون (Fraud detection in online payments using machine learning with Python)

پروژه تشخیص تقلب در پرداخت های آنلاین با یادگیری ماشین با پایتون:

معرفی سیستم های پرداخت آنلاین کمک زیادی به سهولت پرداخت کرده است اما، در همان زمان، تقلب در پرداخت افزایش یافت. کلاهبرداری در پرداخت آنلاین ممکن است با هرکسی که از هر سیستم پرداختی استفاده می کند اتفاق بیفتد، به خصوص در هنگام پرداخت با استفاده از کارت اعتباری. به همین دلیل است که تشخیص تقلب در پرداخت آنلاین برای شرکت‌های کارت اعتباری بسیار مهم است تا اطمینان حاصل شود که مشتریان برای محصولات و خدماتی که هرگز پرداخت نکرده‌اند هزینه دریافت نمی‌کنند. اگر می خواهید یاد بگیرید که چگونه تقلب های پرداخت آنلاین را شناسایی کنید، روش بیان شده در ادامه کارآمد هست. در این پژوهش، با وظیفه تشخیص تقلب در پرداخت های آنلاین با Machine learning با استفاده از پایتون آشنا می شویم.

برای شناسایی کلاهبرداری پرداخت آنلاین با یادگیری ماشین، باید یک مدل یادگیری ماشین برای طبقه بندی پرداخت های جعلی و واقعی آموزش دهیم. برای این، ما به Dataset (مجموعه داده ای) نیاز داریم که حاوی اطلاعاتی در مورد کلاهبرداری پرداخت آنلاین باشد تا بتوانیم بفهمیم چه نوع تراکنش هایی منجر به کلاهبرداری می شود. برای این کار، از یک مجموعه داده از Kaggle استفاده شده است (برای دانلود مجموعه داده کلیک کنید) که حاوی اطلاعات تاریخی در مورد تراکنش های جعلی است که می تواند برای شناسایی تقلب در پرداخت های آنلاین استفاده شود. در ادامه تمام ستون‌های مجموعه داده‌ای که در اینجا استفاده می‌کنیم توضیح داده شده است:

1- step: نشان دهنده واحد زمانی است که در آن 1 مرحله برابر با 1 ساعت است
2- type: نوع معامله آنلاین
3- amount: مبلغ معامله
4- nameOrig: مشتری شروع به معامله
5- oldbalanceOrg: موجودی قبل از معامله
6- newbalanceOrig: موجودی پس از معامله
7- nameDest: گیرنده تراکنش
8- oldbalanceDest: موجودی اولیه گیرنده قبل از معامله
9- newbalanceDest: موجودی جدید گیرنده پس از تراکنش
10- isFraud: معامله کلاهبرداری

تشخیص تقلب در پرداخت آنلاین با استفاده از پایتون

در ابتدا اقدام به وارد کردن کتابخانه های ضروری پایتون و مجموعه داده ای که برای این کار نیاز داریم می کنیم:

				
					import pandas as pd
import numpy as np
data = pd.read_csv("credit card.csv")
print(data.head())

حال، بررسی می کنیم که آیا این مجموعه داده دارای مقادیر خالی (null values) است یا نه:

				
					print(data.isnull().sum())

مشخص هست که این مجموعه داده هیچ مقدار خالی ندارد. حال، بیایید نگاهی به نوع تراکنش ذکر شده در مجموعه داده بیندازیم:

				
					# Exploring transaction type
print(data.type.value_counts())

				
					type = data["type"].value_counts()
transactions = type.index
quantity = type.values

import plotly.express as px
figure = px.pie(data, 
             values=quantity, 
             names=transactions,hole = 0.5, 
             title="Distribution of Transaction Type")
figure.show()

حالا بیایید نگاهی به همبستگی بین ویژگی های داده ها با ستون isFraud (ستون Target) بیندازیم:

				
					# Checking correlation
correlation = data.corr()
print(correlation["isFraud"].sort_values(ascending=False))

حالا بیایید ویژگی های دسته بندی را به عددی تبدیل کنیم. در اینجا همچنین مقادیر ستون isFraud را به برچسب های No Fraud و Fraud تبدیل می کنم تا درک بهتری از خروجی داشته باشید:

				
					data["type"] = data["type"].map({"CASH_OUT": 1, "PAYMENT": 2, 
                                 "CASH_IN": 3, "TRANSFER": 4,
                                 "DEBIT": 5})
data["isFraud"] = data["isFraud"].map({0: "No Fraud", 1: "Fraud"})
print(data.head())

مدل تشخیص تقلب در پرداخت های آنلاین

اکنون بیایید یک مدل طبقه بندی برای طبقه بندی معاملات تقلبی و غیر تقلبی آموزش دهیم. قبل از آموزش مدل، داده ها را به مجموعه های آموزشی (train data) و آزمایشی (test data) تقسیم می کنیم:

				
					# splitting the data
from sklearn.model_selection import train_test_split
x = np.array(data[["type", "amount", "oldbalanceOrg", "newbalanceOrig"]])
y = np.array(data[["isFraud"]])

اکنون بیایید مدل تشخیص تقلب در پرداخت های آنلاین را آموزش دهیم (train the model):

				
					# training a machine learning model
from sklearn.tree import DecisionTreeClassifier
xtrain, xtest, ytrain, ytest = train_test_split(x, y, test_size=0.10, random_state=42)
model = DecisionTreeClassifier()
model.fit(xtrain, ytrain)
print(model.score(xtest, ytest))

اکنون بیایید با وارد کردن یک تراکنش به مدل، طبقه بندی کنیم که آیا یک تراکنش تقلب است یا خیر:

				
					# prediction
#features = [type, amount, oldbalanceOrg, newbalanceOrig]
features = np.array([[4, 9000.60, 9000.60, 0.0]])
print(model.predict(features))

جمع بندی:

به این ترتیب توانستیم تقلب در پرداخت‌های آنلاین را با یادگیری ماشین (machine learning) با استفاده از پایتون شناسایی کنیم. کشف تقلب در پرداخت آنلاین یکی از کاربردهای علم داده (data science) در امور مالی است. امیدوارم این مقاله در مورد تشخیص تقلب در پرداخت های آنلاین با یادگیری ماشین با استفاده از پایتون مورد پسند شما قرار گرفته باشد. در بخش نظرات این صفحه، سوالات و نظرات ارزشمند خود را با ما مطرح کنید.

این آموزش برای همیشه رایگانه! می‌تونید با اشتراک‌گذاری لینک این صفحه از ما حمایت کنید یا اگه دوست دارین می‌تونی با حمایت مالی ما رو در نگهداری سرور سایت و تکمیل تیم پشتیبانی همراهی کنی 🙂 و بهمون انرژی بدید!

we'll help you achieve your goals

انجام پروژه‌های کدنویسی با خانه‌کد

برای انجام پروژه‌های کدنویسی خود با خانه‌کد در تماس باشید؛ هدف ما انجام پروژه‌های شما در زمانی کوتاه و البته با دقت و بازدهی ایده‌آل است. همینطور در خانه کد مجموعه‌داده‌های مختلف در حوزه‌های پژوهشی مختلف موجود هستند. برای انجام پروژه‌ها و دریافت مجموعه‌داده مورد نظر خود، از طریق فرم زیر با ما در تماس باشید تا نیاز شما را با بالاترین کیفیت ممکن ارائه دهیم.

در کنار هم تا رسیدن به بهترین‌ها

نمایش بیشتر

دیدگاه های کاربران

دیدگاهتان را با ما درمیان بگذارید

تعداد دیدگاه : 0 امتیاز کلی : 0.0 توصیه خرید : 0 نفر

بر اساس 0 خرید

هیچ دیدگاهی برای این محصول نوشته نشده است.

لطفا پیش از ارسال نظر، خلاصه قوانین زیر را مطالعه کنید: فارسی بنویسید و از کیبورد فارسی استفاده کنید. بهتر است از فضای خالی (Space) بیش‌از‌حدِ معمول، شکلک یا ایموجی استفاده نکنید و از کشیدن حروف یا کلمات با صفحه‌کلید بپرهیزید. نظرات خود را براساس تجربه و استفاده‌ی عملی و با دقت به نکات فنی ارسال کنید؛ بدون تعصب به محصول خاص، مزایا و معایب را بازگو کنید و بهتر است از ارسال نظرات چندکلمه‌‌ای خودداری کنید.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “پروژه تشخیص تقلب در پرداخت های آنلاین با یادگیری ماشین با پایتون (Fraud detection in online payments using machine learning with Python)”