# 快速开始指南

本指南将帮助您在5分钟内运行信用卡欺诈检测系统。

## 前置要求

- Python 3.10 或更高版本
- pip（Python包管理器）

## 安装步骤

### 1. 克隆仓库

```bash
git clone <repository-url>
cd Credit-Card-Fraud-Detection
```

### 2. 创建虚拟环境（推荐）

**Windows:**
```bash
python -m venv venv
venv\Scripts\activate
```

**Linux/Mac:**
```bash
python3 -m venv venv
source venv/bin/activate
```

### 3. 安装依赖

**方式1: 使用 requirements.txt（推荐）**
```bash
pip install -r requirements.txt
```

**方式2: 使用 setup.py**
```bash
pip install -e .
```

**方式3: 使用 uv（需要先安装 uv）**
```bash
pip install uv
uv sync
```

### 4. 准备数据

确保 `data/creditcard.csv` 文件存在。如果不存在，请：

1. 从 Kaggle 下载数据集: https://www.kaggle.com/mlg-ulb/creditcardfraud
2. 将下载的 `creditcard.csv` 文件放入 `data/` 目录

### 5. 训练模型

```bash
python src/train.py
```

训练完成后，模型文件将保存在 `models/` 目录中：
- `random_forest_model.joblib` - 随机森林模型
- `logistic_regression_model.joblib` - 逻辑回归模型
- `scaler.joblib` - 特征缩放器

### 6. 运行应用

**方式1: 使用 agent_app.py（推荐）**
```bash
python src/agent_app.py
```

这将自动启动 Web 界面并在浏览器中打开。

**方式2: 直接运行 Streamlit**
```bash
streamlit run src/streamlit_app.py
```

## 使用说明

### Web 界面使用

1. **选择输入方式**
   - 上传CSV文件：批量处理交易数据
   - 手动输入：输入30个特征值

2. **输入特征**
   - Time: 交易时间（秒）
   - V1-V28: PCA转换后的特征
   - Amount: 交易金额

3. **点击"检测欺诈"按钮**
   - 系统会显示预测结果
   - 查看特征解释
   - 获取行动建议

### 命令行使用

```python
from src.agent_app import create_agent

agent = create_agent()

transaction = [
    0, -1.3598071336738, -0.0727811733098497, 2.53634673796914, 1.37815522427443,
    -0.338320769942518, 0.462387777762292, 0.239598554061257, 0.0986979012610507,
    0.363786969611213, 0.0907941719789316, -0.551599533260813, -0.617800855762348,
    -0.991389847235408, -0.311169353699879, 1.46817697209427, -0.470400525259478,
    0.207971241929242, 0.0257905801985591, 0.403992960255733, 0.251412098239705,
    -0.018306777944153, 0.277837575558899, -0.110473910188767, 0.0669280749146731,
    0.128539358273528, -0.189114843888824, 0.133558376740387, -0.0210530534538215,
    149.62
]

result = agent.process_transaction(transaction)
print(f"预测类别: {result.evaluation.class_name}")
print(f"欺诈概率: {result.evaluation.fraud_probability:.4f}")
```

## 运行测试

```bash
# 运行所有测试
pytest tests/

# 运行特定测试文件
pytest tests/test_data.py

# 查看测试覆盖率
pytest tests/ --cov=src --cov-report=html
```

## 常见问题

### Q1: 找不到数据文件

**错误信息**: `FileNotFoundError: data/creditcard.csv`

**解决方案**:
1. 确保数据文件存在于 `data/` 目录
2. 从 Kaggle 下载数据集并放入正确位置

### Q2: 模型文件不存在

**错误信息**: `RuntimeError: 模型或缩放器加载失败`

**解决方案**:
```bash
# 先训练模型
python src/train.py
```

### Q3: 依赖安装失败

**错误信息**: `pip install` 失败

**解决方案**:
1. 确保使用 Python 3.10+
2. 升级 pip: `pip install --upgrade pip`
3. 使用国内镜像源: `pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple`

### Q4: Streamlit 无法启动

**错误信息**: `streamlit not found`

**解决方案**:
```bash
pip install streamlit
```

### Q5: 端口被占用

**错误信息**: `Address already in use`

**解决方案**:
```bash
# 使用不同端口启动
streamlit run src/streamlit_app.py --server.port 8502
```

## 项目结构

```
Credit-Card-Fraud-Detection/
├── data/                    # 数据目录
│   └── creditcard.csv      # 信用卡交易数据
├── models/                  # 模型目录
│   ├── random_forest_model.joblib
│   ├── logistic_regression_model.joblib
│   └── scaler.joblib
├── src/                     # 源代码
│   ├── agent_app.py        # Agent 入口（推荐使用）
│   ├── streamlit_app.py    # Streamlit Web 应用
│   ├── train.py            # 模型训练
│   ├── infer.py            # 推理接口
│   ├── data.py             # 数据处理
│   └── features.py         # 特征定义
├── tests/                   # 测试文件
├── requirements.txt        # Python 依赖
├── setup.py                # 安装脚本
├── QUICKSTART.md           # 快速开始指南（本文件）
└── README.md               # 详细文档
```

## 下一步

- 阅读 [README.md](README.md) 了解项目详情
- 查看 [src/](src/) 目录下的源代码
- 运行测试确保一切正常
- 开始使用系统进行欺诈检测

## 技术支持

如遇到问题，请：
1. 检查本指南的"常见问题"部分
2. 查看 [README.md](README.md) 获取更多信息
3. 提交 Issue 到项目仓库

## 许可证

MIT License