Projeto de Detecção de Anomalias em Cartões de Crédito

Projeto desenvolvido por: Hélio Júnior
Plataforma de Estudos: DIO - Digital Innovation One

Este projeto aplica técnicas de Machine Learning para detecção de fraude em transações de cartão de crédito usando a base pública hospedada em: https://storage.googleapis.com/download.tensorflow.org/data/creditcard.csv

Objetivo

Comparar modelos e abordagens para classificação de transações fraudulentas, incluindo:

• Regressão Logística
• Random Forest
• Pipeline com threshold customizado
• XGBoost
• Busca de hiperparâmetros com GridSearchCV
• Explicabilidade com SHAP (opcional)

Estrutura do Projeto

• main.py: atalho para iniciar a aplicação
• run.ps1: script de execução com um comando
• src/main.py: orquestração principal do fluxo
• src/data_processing.py: carga e preparo dos dados
• src/logistic_analysis.py: treino, métricas e gráficos da Regressão Logística
• src/balancing.py: undersampling e SMOTE
• src/random_forest_analysis.py: treino e avaliação de Random Forest
• src/pipeline_analysis.py: pipeline de padronização + Regressão Logística e threshold customizado
• src/xgboost_analysis.py: treino, avaliação e importância de features do XGBoost
• src/hyperparameter_tuning.py: ajuste de hiperparâmetros com GridSearchCV
• src/shap_analysis.py: explicabilidade com SHAP
• .gitignore: arquivos e pastas ignorados pelo Git
• requirements.txt: dependências do projeto
• analise.ipynb: notebook para análises adicionais

Requisitos

• Python 3.10+
• Ambiente virtual recomendado

Instalação

No PowerShell, dentro da pasta do projeto:

py -3.12 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install -r requirements.txt

Como Executar

python .\main.py

Ou com um comando dedicado:

.\run.ps1

Testes

Executar testes locais:

pytest -q

Os testes atuais validam importação e integridade básica dos módulos.

CI

Foi adicionado um pipeline de CI em .github/workflows/ci.yml para:

• instalar dependências
• executar pytest automaticamente em push e pull request

Saídas Geradas

Durante a execução, o projeto:

• Exibe relatórios de classificação no terminal para cada modelo
• Exibe AUC e Average Precision para Regressão Logística
• Gera imagens em graficos/: roc_curve.png, precision_recall_curve.png, xgboost_feature_importance.png e shap_bar.png (se SHAP estiver instalado e funcional)

Observações

• Se o pacote SHAP não estiver instalado, a etapa de explicabilidade é ignorada automaticamente.
• O backend gráfico está configurado para modo não interativo (Agg), ideal para execução em terminal.

Melhorias Futuras

• Salvar métricas em arquivos CSV/JSON
• Adicionar comparação visual entre modelos
• Inserir validação cruzada para todos os modelos
• Criar testes unitários de comportamento para cada módulo

Licença

Projeto para fins educacionais.