juniorcl/transaction-fraud-detection

🛡️ Dự án phát hiện gian lận giao dịch với pipeline ML hoàn chỉnh

Một dự án data science có chiều sâu kinh doanh rõ ràng — nơi độ chính xác của model trực tiếp quyết định lợi nhuận.

Dự án này xây dựng mô hình machine learning để dự đoán giao dịch có phải gian lận hay không, được đặt trong bối cảnh kinh doanh thực tế của công ty Blocker Fraud tại Brazil. Công ty này hoạt động theo mô hình dịch vụ, trong đó độ chính xác của model quyết định trực tiếp đến doanh thu: nhận 25% giá trị giao dịch gian lận phát hiện đúng, 5% nếu phát hiện nhầm, và hoàn tiền 100% nếu bỏ sót gian lận. Điều này biến bài toán phát hiện gian lận thành bài toán tối ưu hóa lợi nhuận thực sự, không chỉ là bài toán metric.

Dự án tuân theo pipeline 10 bước: mô tả dữ liệu, feature engineering, lọc dữ liệu, EDA, chuẩn bị dữ liệu, chọn lọc đặc trưng (Boruta), huấn luyện model, tinh chỉnh siêu tham số, đánh giá kết luận, và triển khai Flask API.

✨ Điểm nổi bật

• Pipeline ML 10 bước có cấu trúc rõ ràng: từ mô tả dữ liệu đến triển khai Flask API, bao phủ toàn bộ vòng đời của một dự án data science.
• Bài toán gắn với kinh doanh thực tế: mô hình hóa cách phí dịch vụ phụ thuộc vào precision và recall, giúp hiểu tại sao metric model quan trọng hơn accuracy đơn thuần.
• Feature Engineering có mind map: tạo giả thuyết trước khi EDA, kiểm chứng giả thuyết qua phân tích song biến.
• Boruta cho feature selection: giảm chiều dữ liệu và giảm nguy cơ overfitting trước khi huấn luyện model.
• Insight đáng chú ý: toàn bộ giao dịch gian lận đều có giá trị lớn hơn 10.000, trong khi giao dịch hợp lệ cũng có thể lên tới 100.000+.
• Triển khai Flask API: bước cuối cùng lưu model và hàm vào API để sử dụng thực tế.

💡 Vì sao đáng chú ý

Điểm mạnh lớn nhất của dự án là không dừng lại ở việc train một model có accuracy cao, mà đặt câu hỏi: model đó tạo ra bao nhiêu giá trị kinh doanh? Với mô hình phí phụ thuộc vào cả true positive và false negative, một model có accuracy 99% nhưng bỏ sót gian lận có thể gây thua lỗ lớn. Cách tiếp cận này buộc người làm data science phải suy nghĩ về cost matrix và trade-off giữa các loại lỗi — điều mà nhiều dự án portfolio thường bỏ qua.

Dự án cũng đáng chú ý vì tuân thủ quy trình nghiêm ngặt: từ bước lọc dữ liệu không phù hợp (customer ID, hash code, age phi thực tế), đến EDA có kiểm chứng giả thuyết, đến feature selection bằng Boruta, và cuối cùng là triển khai API. Đây là template tham khảo tốt cho ai muốn xây dựng dự án data science có chiều sâu từ data đến production.

#fraud-detection #data-science #machine-learning #python #TiniX