基于随机森林的信用卡欺诈检测实战

结果显示欺诈交易仅占约 0.17%。这种极端不平衡意味着直接训练模型可能会偏向多数类。虽然可以先尝试在不平衡数据上跑通流程，但后续必须考虑采样或权重调整。

进一步观察金额特征，欺诈交易的平均金额反而高于正常交易，这是一个值得注意的信号：

print("Amount details of the fraudulent transaction")
print(fraud.Amount.describe())

对比正常交易的金额分布：

print("details of valid transaction")
print(valid.Amount.describe())

特征相关性分析

绘制相关系数矩阵有助于理解特征间的关系：

corrmat = data.corr()
fig = plt.figure(figsize=(12, 9))
sns.heatmap(corrmat, vmax=.8, square=True)
plt.show()

从热力图中可以看出，大多数特征之间相关性较弱，但部分特征如 V2、V5 与 Amount 呈现较强的负相关性。这提示我们在特征工程阶段可以关注这些关联。

模型训练与评估

将数据划分为输入特征 X 和目标变量 Y，并进行训练集与测试集的划分：

X = data.drop(['Class'], axis=1)
Y = data["Class"]
xData = X.values
yData = Y.values

from sklearn.model_selection import train_test_split
xTrain, xTest, yTrain, yTest = train_test_split(
    xData, yData, test_size=0.2, random_state=42)

这里我们使用随机森林分类器作为基准模型：

from sklearn.ensemble import RandomForestClassifier
rfc = RandomForestClassifier()
rfc.fit(xTrain, yTrain)
yPred = rfc.predict(xTest)

为了全面评估模型性能，我们需要计算多个指标，包括准确率、精确率、召回率和 F1 分数等：

from sklearn.metrics import classification_report, accuracy_score
from sklearn.metrics import precision_score, recall_score
from sklearn.metrics import f1_score, matthews_corrcoef
from sklearn.metrics import confusion_matrix

n_outliers = len(fraud)
n_errors = (yPred != yTest).sum()
print("The model used is Random Forest classifier")

acc = accuracy_score(yTest, yPred)
print("The accuracy is {}".format(acc))

prec = precision_score(yTest, yPred)
print("The precision is {}".format(prec))

rec = recall_score(yTest, yPred)
print("The recall is {}".format(rec))

f1 = f1_score(yTest, yPred)
print("The F1-Score is {}".format(f1))

MCC = matthews_corrcoef(yTest, yPred)
print("The Matthews correlation coefficient is{}".format(MCC))

输出结果显示，尽管数据不平衡，随机森林依然取得了较高的准确率和 F1 分数。

最后，可视化混淆矩阵以直观展示分类效果：

LABELS = ['Normal', 'Fraud']
conf_matrix = confusion_matrix(yTest, yPred)
plt.figure(figsize=(12, 12))
sns.heatmap(conf_matrix, xticklabels=LABELS, 
            yticklabels=LABELS, annot=True, fmt="d")
plt.title("Confusion matrix")
plt.ylabel('True class')
plt.xlabel('Predicted class')
plt.show()

在未处理数据不平衡的情况下，该模型的表现已优于其他简单算法，特别是在召回率这一关键指标上。实际应用中，若发现误报率过高，可进一步引入 SMOTE 等过采样技术优化少数类样本。