You can deploy this model and start earning money today!

Bedimand/
fraud-detector-v1

Name: fraud-detector-v1
Availability: InStock

tabular-classification

Views

No views yet

fraud-detector-v1

Modelo de classificacao binaria para deteccao de fraude em transacoes financeiras. O projeto usa um RandomForestClassifier treinado sobre um dataset tabular sintetico com sinais simples de risco.

Objetivo

Prever se uma transacao deve ser classificada como legitimo ou fraude.

Features do dominio

As features usadas pelo modelo representam sinais basicos de fraude no dominio financeiro:

valor_transacao: valor monetario da operacao
hora_transacao: hora em que a transacao ocorreu
distancia_ultima_compra: distancia estimada em relacao a ultima compra
tentativas_senha: numero de tentativas de senha antes da confirmacao
pais_diferente: indica se a transacao ocorreu em pais diferente do padrao esperado

Treinamento

Dataset: 2000 amostras sinteticas
Split: 80% treino / 20% teste com stratify=y
Modelo: RandomForestClassifier(n_estimators=100, random_state=42)

Metricas reais do Bloco 2

Metricas obtidas pela execucao real do arquivo main.py:

Classe	Precision	Recall	F1-score	Support
legitimo	1.00	1.00	1.00	276
fraude	1.00	1.00	1.00	124
accuracy	-	-	1.00	400
macro avg	1.00	1.00	1.00	400
weighted avg	1.00	1.00	1.00	400

Artefato gerado:

model.pkl: 63.7 KB

Limitacoes do modelo

O dataset e sintetico, entao as metricas nao representam desempenho real em producao.
As classes foram geradas com padroes muito separados, o que facilita demais a tarefa e explica o resultado perfeito.
O modelo usa poucas variaveis e nao considera contexto historico mais rico, como dispositivo, estabelecimento, frequencia de compra ou comportamento do usuario ao longo do tempo.
Nao ha calibracao de probabilidade, ajuste de limiar de decisao ou analise de custo de falso positivo versus falso negativo.
O modelo nao foi validado contra drift de dados, ataques adversariais ou dados reais desbalanceados.

Quando usar

Este modelo serve bem como demonstracao educacional de pipeline de treinamento, serializacao e publicacao de modelo tabular. Para uso real, seria necessario treinar e validar com dados reais, revisar features e implementar monitoramento.

Bedimand/fraud-detector-v1