Web Modern｜信用卡詐欺偵測的入門範例

用分類（Classification）方法，一步步學會如何找出可疑交易

💳 信用卡詐欺偵測：超簡單學習表（精簡版）

📝 小結

• 流程就像「讀資料 → 分練習卷/考卷 → 老師投票 → 批成績」。
• 要特別注意 有沒有漏掉詐欺交易，比整體分數更重要。
• 想更好，可以換模型或調整判斷標準。

1. 什麼是分類？

• 分類（Classification）：就是把資料分到不同的類別。
• 在信用卡詐欺案例裡，我們要分成：
  • 0 = 正常交易
  • 1 = 詐欺交易

👉 就像醫生判斷病人是「健康」還是「生病」一樣，電腦要學會把交易分成「安全」或「可疑」。

2. 我們的資料

• 每筆交易有一些特徵（就像病人的檢查數據）：
  • 金額 (Amount)：交易花了多少錢
  • 時間 (Time)：發生時間
  • 其他匿名數據 (V1 ~ V28)：這些是處理過的行為數據

📌 問題：詐欺交易很少，通常不到 1%。這叫做「不平衡資料」。

3. 怎麼處理資料？

1. 平衡資料：因為詐欺太少，要讓電腦多看到一些詐欺例子。方法有：
   • SMOTE：把少數的詐欺樣本「複製＋合成」一些新的。
   • 欠採樣：少拿一些正常交易，避免太多。
2. 標準化：把金額、時間等數字調整到同樣的範圍，避免偏差。

4. Python 程式碼（簡單版）

python
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix
from imblearn.over_sampling import SMOTE

讀取資料

df = pd.read_csv("creditcard.csv")

特徵與標籤

X = df.drop("Class", axis=1) # 除了 Class 以外的所有欄位
y = df["Class"] # 0 或 1

切分資料（8:2，並保持比例）

X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, stratify=y
)

用 SMOTE 讓訓練資料比較平衡

smote = SMOTE(random_state=42)
X_train_res, y_train_res = smote.fit_resample(X_train, y_train)

建立模型（隨機森林）

clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train_res, y_train_res)

預測

y_pred = clf.predict(X_test)

評估結果

print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred, digits=4))

5. 可能的結果

混淆矩陣（Confusion Matrix）

[[56845 10]
[ 25 102]]

左上角：正確判斷「正常交易」

右下角：正確判斷「詐欺」

右上角：把正常誤判成詐欺（假警報）

左下角：把詐欺當成正常（漏掉！）

分類報告（Classification Report）

precision recall f1-score support

0 0.9996 0.9998 0.9997 (正常)
1 0.9107 0.8031 0.8537 (詐欺)

📊 混淆矩陣 (Confusion Matrix)

📝 名詞解釋

• TN (True Negative)：預測正常，實際也正常 → 判斷對了。
• FP (False Positive)：預測詐欺，但實際正常 → 誤判。
• FN (False Negative)：預測正常，但實際是詐欺 → 漏抓。
• TP (True Positive)：預測詐欺，實際也是詐欺 → 抓對。

🎯 白話比喻（以醫生看病為例）

• TN：醫生說沒病 → 真的沒病 ✅
• FP：醫生說有病 → 其實沒病 ❌
• FN：醫生說沒病 → 其實有病 ❌（最危險 🚨）
• TP：醫生說有病 → 真的有病 ✅

6. 怎麼解讀？

Accuracy（99.9%）：看起來超高，但因為正常交易很多，不代表真的厲害。

Recall（80.3%）：還有快 20% 的詐欺交易沒抓到。

Precision（91.1%）：有 9% 的交易其實不是詐欺卻被誤報。

👉 在金融業，漏抓詐欺（Recall 太低）比誤抓更危險。

7. 可以怎麼改進？

換更厲害的模型（例如 XGBoost、LightGBM）。

調整判斷門檻：不要只看大於 0.5 就判詐欺，可以改成 0.3 或 0.7。

加更多特徵，例如「使用地點」、「交易裝置」。

使用「異常偵測」的方法來輔助。

8. 如果要放到網路服務（Web Modern）

9. 建立 API：把模型放在伺服器，讓系統能即時查詢。

10. 人工覆核：高風險交易要交給人員再次確認。

11. 監控：即時看 Recall、Precision，避免模型變差。

12. 更新：定期用新資料重新訓練。

9. 常見問題

Q：為什麼不能只看準確率？
A：因為正常交易太多，準確率會誤導，要看 Recall。

Q：SMOTE 是什麼？
A：一種把少數類別（詐欺）複製＋合成，讓資料更平衡的方法。

Q：調整門檻有什麼用？
A：可以控制「寧可多誤報，也不要漏掉」或相反。

🔄 回顧總表（入門版）

步驟 做什麼 白話解釋

1 問題設定 讓電腦判斷交易是「正常」還是「詐欺」
2 準備資料 有金額、時間、行為特徵，但詐欺很少
3 處理資料 用 SMOTE 平衡數據，標準化數值
4 寫程式 用 Python 建立隨機森林模型
5 看結果 混淆矩陣 + Precision/Recall
6 解讀 高準確率≠好，重點是漏判少
7 改進方法 換模型、調門檻、加特徵
8 放到網路 API + 人工覆核 + 監控更新
9 FAQ 回答常見疑問，避免誤解

🔗 信用卡詐欺偵測 × Web Modern 的關係

在 Web Modern 的思維裡，重點是把 資料處理、AI 模型、即時互動 與 網路應用 整合成一個完整服務。

前端（Frontend）：例如銀行的網頁或手機 App，當使用者刷卡時，交易資料會即時送出。

後端（Backend + AI 模型）：模型接收到交易資料，立即判斷這筆交易是不是可疑（分類：0 正常 / 1 詐欺）。

回饋（Feedback Loop）：結果會回傳給系統，如果是高風險，就可能觸發「簡訊驗證」或「人工覆核」。

監控與更新（Monitoring & Update）：Web Modern 強調即時監控，因此 Recall、Precision 這些指標要能在線上看；同時也要能自動更新模型，避免資料過時。

👉 換句話說，信用卡詐欺偵測只是 一個 AI 模型，而 Web Modern 提供了「把它放進線上應用」的基礎設施，讓模型不只是做研究，而是能真正即時保護使用者。

信用卡詐欺偵測學習導讀表

副標題｜從概念 → 資料 → 程式碼 → 名詞，逐步學會分類分析

導讀表（層次學習）

🔄 回顧總表