init

Author: LuisAll12

.gitignore

@@ -0,0 +1,2 @@
+./creditcard.csv
+creditcard.csv

fraud_detection_model.pkl

@@ -0,0 +1,119 @@
+import pandas as pd
+import numpy as np
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+from sklearn.ensemble import RandomForestClassifier
+from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score
+import joblib  # Speichern
+
+# Lade den Datensatz
+df = pd.read_csv('creditcard.csv')
+
+# Ersten 5 Zeilen
+print(df.head())
+
+X = df.drop('Class', axis=1)
+y = df['Class']
+
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
+
+scaler = StandardScaler()
+X_train['Amount'] = scaler.fit_transform(X_train[['Amount']])
+X_test['Amount'] = scaler.transform(X_test[['Amount']])
+
+model = RandomForestClassifier(n_estimators=100, random_state=42, class_weight='balanced')
+
+# Trainiere das Modell
+model.fit(X_train, y_train)
+
+# Vorhersagen auf den Testdaten
+y_pred = model.predict(X_test)
+y_pred_proba = model.predict_proba(X_test)[:, 1]  # Wahrscheinlichkeiten für die ROC-AUC-Bewertung
+
+
+# Klassifikationsbericht
+print("Classification Report:")
+print(classification_report(y_test, y_pred))
+
+# Confusion Matrix
+print("Confusion Matrix:")
+print(confusion_matrix(y_test, y_pred))
+
+# ROC-AUC-Score
+print("ROC-AUC Score:", roc_auc_score(y_test, y_pred_proba))
+
+# Speichere das Modell
+joblib.dump(model, 'fraud_detection_model.pkl')
+
+# Speichere den Scaler (falls du neue Daten skalieren möchtest)
+joblib.dump(scaler, 'scaler.pkl')
+
+from sklearn.metrics import precision_score, recall_score, roc_auc_score
+
+# Berechne Precision, Recall und ROC-AUC
+precision = precision_score(y_test, y_pred)
+recall = recall_score(y_test, y_pred)
+roc_auc = roc_auc_score(y_test, y_pred_proba)
+
+print("Precision:", precision)
+print("Recall:", recall)
+print("ROC-AUC:", roc_auc)
+
+
+# Lade das Modell und den Scaler
+model = joblib.load('fraud_detection_model.pkl')
+scaler = joblib.load('scaler.pkl')
+
+# Beispielhafte Transaktionsdaten (ersetze dies mit den Daten aus deinem UI)
+new_data = {
+    'Time': [150000],  # Ungewöhnliche Zeit (z. B. nachts)
+    'V1': [3.0],       # Extrem hoher Wert
+    'V2': [-2.5],      # Extrem niedriger Wert
+    'V3': [2.8],       # Extrem hoher Wert
+    'V4': [-3.0],      # Extrem niedriger Wert
+    'V5': [1.5],       # Ungewöhnlicher Wert
+    'V6': [-1.8],      # Ungewöhnlicher Wert
+    'V7': [2.0],       # Ungewöhnlicher Wert
+    'V8': [-2.2],      # Ungewöhnlicher Wert
+    'V9': [1.7],       # Ungewöhnlicher Wert
+    'V10': [-1.9],     # Ungewöhnlicher Wert
+    'V11': [2.3],      # Ungewöhnlicher Wert
+    'V12': [-2.1],     # Ungewöhnlicher Wert
+    'V13': [1.8],      # Ungewöhnlicher Wert
+    'V14': [-2.0],     # Ungewöhnlicher Wert
+    'V15': [1.9],      # Ungewöhnlicher Wert
+    'V16': [-1.7],     # Ungewöhnlicher Wert
+    'V17': [2.1],      # Ungewöhnlicher Wert
+    'V18': [-1.6],     # Ungewöhnlicher Wert
+    'V19': [1.5],      # Ungewöhnlicher Wert
+    'V20': [-1.4],     # Ungewöhnlicher Wert
+    'V21': [1.3],      # Ungewöhnlicher Wert
+    'V22': [-1.2],     # Ungewöhnlicher Wert
+    'V23': [1.1],      # Ungewöhnlicher Wert
+    'V24': [-1.0],     # Ungewöhnlicher Wert
+    'V25': [0.9],      # Ungewöhnlicher Wert
+    'V26': [-0.8],     # Ungewöhnlicher Wert
+    'V27': [0.7],      # Ungewöhnlicher Wert
+    'V28': [-0.6],     # Ungewöhnlicher Wert
+    'Amount': [5000.0]  # Sehr hoher Betrag
+}
+
+# Konvertiere die Daten in ein DataFrame
+new_df = pd.DataFrame(new_data)
+
+# Skaliere den 'Amount'-Wert
+new_df['Amount'] = scaler.transform(new_df[['Amount']])
+
+# Mache eine Vorhersage
+prediction = model.predict(new_df)
+prediction_proba = model.predict_proba(new_df)[:, 1]
+
+# Finde einen Betrugsfall im Testdatensatz
+# fraud_sample = X_test[y_test == 1].iloc[0:1]
+
+# Mache eine Vorhersage für diesen Fall
+prediction = model.predict(new_df)
+prediction_proba = model.predict_proba(new_df)[:, 1]
+
+print("Vorhersage:", "Betrug" if prediction[0] == 1 else "Kein Betrug")
+print("Wahrscheinlichkeit für Betrug:", prediction_proba[0])