🚀 Anti-Fraud Detection App (Streamlit)

Интерактивное веб-приложение на Streamlit для обучения, валидации и использования антифрод-моделей (Logistic Regression и XGBoost) на основе кредитных данных заемщиков.

---

📌 Возможности

• Загрузка пользовательского датасета (CSV, Excel)
• Обработка пропусков, кодирование и масштабирование признаков
• Обучение моделей: Logistic Regression и XGBoost
• Расчет метрик:
  • Gini
  • KS-индекс
  • Accuracy, Precision, Recall
• Визуализация ROC-кривой и распределения вероятностей
• Сохранение модели и предсказаний
• Проверка новых данных через интерфейс

---

🔧 Установка

git clone https://github.com/your-username/anti-fraud-streamlit.git
cd anti-fraud-streamlit
pip install -r requirements.txt

---

🚀 Запуск

streamlit run app.py

---

🧭 Как пользоваться

1. Перейдите во вкладку "🏋️‍♂️ Обучение XGBoost" или "📊 Обучение Logistic Regression"
2. Загрузите датасет в формате .csv или .xlsx с колонкой GB_flag как таргет
3. Дождитесь завершения обучения модели и отображения метрик
4. При желании скачайте файл с предсказаниями на тестовой выборке
5. Перейдите во вкладку "🔍 Проверка XGBoost" или "📊 Проверка Logistic Regression"
6. Загрузите новые данные для оценки — вы получите вероятности мошенничества

---

📂 Структура проекта

📁 anti-fraud-streamlit/
│
├── app.py                  # Основной файл Streamlit-приложения
├── model_xgb.json          # Модель XGBoost
├── model_lr.json           # Модель Logistic Regression
├── scaler.json             # Масштабатор
├── label_encoders.json     # Энкодеры категориальных признаков
├── features.json           # Использованные признаки
├── test_predictions.csv    # Предсказания
├── requirements.txt        # Зависимости проекта
└── ...

---

📥 Входные данные

Таблица с признаками заемщиков и целевым признаком GB_flag (1 — мошенник, 0 — нет).

---

📈 Метрики

• Gini: (2 imes AUC - 1)
• KS-индекс: максимум разности между распределениями плохих и хороших
• Accuracy, Precision, Recall — стандартные метрики классификации

QR КОД