57 lines
2.2 KiB
Markdown
57 lines
2.2 KiB
Markdown
# 数据来源说明
|
||
|
||
## 数据集信息
|
||
|
||
| 项目 | 说明 |
|
||
|------|------|
|
||
| 数据集名称 | Credit Card Fraud Detection |
|
||
| 数据来源 | Kaggle |
|
||
| 数据链接 | https://www.kaggle.com/mlg-ulb/creditcardfraud |
|
||
| 样本量 | 284,807 条 |
|
||
| 特征数 | 30 个（28个V特征、时间、金额） |
|
||
| 标签数 | 1 个（Class: 0=正常, 1=欺诈） |
|
||
|
||
## 数据描述
|
||
|
||
该数据集包含2013年9月欧洲持卡人通过信用卡进行的交易数据。数据集在两天内发生，其中包含492起欺诈交易。数据集高度不平衡，欺诈交易仅占所有交易的0.172%。
|
||
|
||
### 特征说明
|
||
|
||
- **Time**: 交易发生的时间（秒），相对于数据集中第一个交易的时间
|
||
- **V1-V28**: 经过PCA转换后的特征，为了保护用户隐私，原始特征已被匿名化处理
|
||
- **Amount**: 交易金额
|
||
- **Class**: 标签列，0表示正常交易，1表示欺诈交易
|
||
|
||
## 数据切分策略
|
||
|
||
本项目采用**时间序列切分**策略，按照交易发生的时间顺序将数据集划分为训练集和测试集：
|
||
|
||
- **训练集**: 前80%的数据（按时间排序）
|
||
- **测试集**: 后20%的数据（按时间排序）
|
||
|
||
这种切分策略的优势：
|
||
1. 符合实际应用场景，模型需要基于历史数据预测未来交易
|
||
2. 避免数据泄露，确保测试集的时间晚于训练集
|
||
3. 能够评估模型在时间序列上的泛化能力
|
||
|
||
## 数据预处理
|
||
|
||
1. **缺失值处理**: 数据集无缺失值
|
||
2. **特征缩放**: 仅在训练集上进行StandardScaler标准化，避免数据泄露
|
||
3. **不平衡处理**: 使用SMOTE算法对训练集进行过采样，平衡正负样本比例
|
||
|
||
## 数据泄露风险防范
|
||
|
||
本项目严格遵循以下防泄露措施：
|
||
|
||
1. **时间切分**: 按照时间顺序划分训练集和测试集
|
||
2. **特征缩放**: 仅在训练集上计算缩放参数，然后应用到测试集
|
||
3. **采样处理**: 仅在训练集上进行SMOTE过采样
|
||
4. **特征工程**: 确保所有特征都是交易发生时可获得的信息
|
||
|
||
## 引用
|
||
|
||
如果使用此数据集，请引用：
|
||
|
||
> Dal Pozzolo, A., Caelen, O., Le Borgne, Y. A., Waterschoot, S., & Bontempi, G. (2015). Learned lessons in credit card fraud detection from a practitioner perspective. Expert systems with applications, 41(10), 4915-4928.
|