Fraud-Detection-Handbook 是一本以 Jupyter Notebook 形式呈现的“可复现机器学习信用卡欺诈检测实践手册“，由布鲁塞尔自由大学（ULB）机器学习团队编写。项目包含完整的数据生成、特征工程、模型训练、评估和部署流水线，覆盖欺诈检测领域的关键方法论问题。GitHub 690+ 星。 手册的核心价值不是“又一个 sklearn 教程“，而是系统性地解决欺诈检测中的独特挑战：极端不平衡（欺诈样本不到 1%）、时序数据泄露（未来信息不能用于训练）、评估指标选择（准确率无意义，需要 AUCPR/Top-K precision）、概念漂移（欺诈模式持续变化）。每个主题都有理论解释 + 代码实验 + 结果分析。 对银行风控部门而言，这本手册是“欺诈检测方法论培训“的极佳材料。银行信用卡反欺诈团队可以参照手册中的流程来设计自己的模型开发规范：如何切分训练/验证/测试集以避免时序泄露、如何选择不平衡处理策略（过采样/下采样/SMOTE/代价敏感学习）、如何用 AUCPR 而非 AUC-ROC 来评估。 手册使用合成数据生成器模拟真实交易行为和欺诈模式，因此不涉及真实客户数据；但数据生成过程本身也值得学习——银行在无法使用真实数据做外部培训时，也可以参考这种合成数据方法。 局限性：使用合成数据而非真实交易数据，模型效果不能直接迁移到生产；主要使用传统 ML 模型（逻辑回归/随机森林/XGBoost），未深入覆盖图神经网络或深度序列模型；仅覆盖信用卡欺诈场景，不包含反洗钱/账户盗用等。
项目主要介绍
Fraud-Detection-Handbook 是一本以 Jupyter Notebook 形式呈现的“可复现机器学习信用卡欺诈检测实践手册“，由布鲁塞尔自由大学（ULB）机器学习团队编写。项目包含完整的数据生成、特征工程、模型训练、评估和部署流水线，覆盖欺诈检测领域的关键方法论问题。GitHub 690+ 星。
手册的核心价值不是“又一个 sklearn 教程“，而是系统性地解决欺诈检测中的独特挑战：极端不平衡（欺诈样本不到 1%）、时序数据泄露（未来信息不能用于训练）、评估指标选择（准确率无意义，需要 AUCPR/Top-K precision）、概念漂移（欺诈模式持续变化）。每个主题都有理论解释 + 代码实验 + 结果分析。
对银行风控部门而言，这本手册是“欺诈检测方法论培训“的极佳材料。银行信用卡反欺诈团队可以参照手册中的流程来设计自己的模型开发规范：如何切分训练/验证/测试集以避免时序泄露、如何选择不平衡处理策略（过采样/下采样/SMOTE/代价敏感学习）、如何用 AUCPR 而非 AUC-ROC 来评估。
手册使用合成数据生成器模拟真实交易行为和欺诈模式，因此不涉及真实客户数据；但数据生成过程本身也值得学习——银行在无法使用真实数据做外部培训时，也可以参考这种合成数据方法。
局限性：使用合成数据而非真实交易数据，模型效果不能直接迁移到生产；主要使用传统 ML 模型（逻辑回归/随机森林/XGBoost），未深入覆盖图神经网络或深度序列模型；仅覆盖信用卡欺诈场景，不包含反洗钱/账户盗用等。
金融 + AI 核心特点
- 完整的欺诈检测方法论（从数据到部署）
- 系统解决不平衡/时序泄露/评估指标等核心问题
- 可复现的 Jupyter Notebook 实验
- 合成数据生成器，不涉及隐私
可学习内容
- 理解欺诈检测的独特方法论挑战（不平衡/泄露/漂移）
- 学习如何选择合适的评估指标（AUCPR/Top-K precision）
应用方向
- 银行信用卡反欺诈模型开发参考
- 风控团队方法论培训材料
- 合成数据生成方法参考
- 模型评估框架设计
风险与局限
合成数据不代表真实分布；仅覆盖传统 ML；仅信用卡欺诈场景；生产部署需要额外工程化。
- 项目地址：https://github.com/Fraud-Detection-Handbook/fraud-detection-handbook ↗
- 开源协议：GPL-3.0（代码）/ CC-BY（文档）
原始来源与整理依据
文字分析来自内容源；业务分类、技术标签由 SeekingDAO 按规则整理。披露效果保留原有时间、范围和预测口径，未作独立审计。开源项目与 Skill 的当前许可、兼容性及依赖请以其上游为准。