Projeto 5: Detecção de Fraudes

📊 Projeto: Detecção de Transações Fraudulentas

📝 Introdução

Neste trabalho, tem-se como principal objetivo detectar transações suspeitas ou fraudulentas para uma loja que atua tanto no comércio físico quanto online a fim de reduzir perdas financeiras para a instituição.
Com essa abordagem, é possível apoiar o negócio na avaliação de riscos, aumentando a eficácia na detecção de fraudes enquanto se evita bloqueios desnecessários de transações legítimas.

---

📊 Dados

• Conjunto de Dados: fraudes.csv
• Quantidade de Registros: 3.784
• Quantidade de Atributos: 4
• Atributo-Alvo: Class (0 = Transação Válida, 1 = Transação Fraudulenta)
• Atributos previsores: amount(valor da transação), time(hora da transação) e location(localização da transação)

---

Etapas realizadas:

• Importação das bibliotecas necessárias
• Carregamento do dataset
• Verificação da quantidade de registros e atributos
• Checagem de valores faltantes
• Pré-processamento (engenharia de atributos, normalização e divisão entre treino e teste)
• Aplicação de uma Rede Neural MLP para detecção de transações fraudulentas

---

🤖 Modelagem Preditiva

Algoritmo utilizado:

• Rede Neural MLP (MLPClassifier)

• Foi executado uma tunagem de hiperparâmetros (RandomizedSearchCV) para encontrar a combinação ótima.

• Os parâmetros otimizados incluem:

  • hidden_layer_sizes
  • activation
  • solver
  • alpha

---

✅ Resultados

Interpretação das Métricas da Rede Neural MLP para Detecção de Fraudes

Este relatório apresenta as métricas de desempenho da rede neural MLP aplicada à detecção de fraudes em transações financeiras.

Classe	Precision	Recall	F1-score	Support
0	0.88	0.81	0.84	363
1	0.84	0.90	0.87	394
Accuracy			0.85	757
Macro avg	0.86	0.85	0.85	757
Weighted avg	0.86	0.85	0.85	757

Análise Geral

• A acurácia geral do modelo é de 85%, indicando que ele classificou corretamente 85% das transações.
• O recall da classe fraude (90%) é alto, mostrando que o modelo consegue detectar a maioria das fraudes, minimizando falsos negativos.
• A precisão da classe fraude (84%) indica que a maioria das transações classificadas como fraude são realmente fraudulentas, reduzindo falsos positivos.
• Para a classe não fraude, o modelo apresenta precisão de 88% e recall de 81%, o que indica que uma pequena parte das transações legítimas pode ser sinalizada como fraude (falsos positivos).
• O modelo apresenta um bom equilíbrio entre capturar fraudes com sensibilidade e evitar falsos alarmes.

Essas métricas indicam que o modelo é eficaz para uso em sistemas de prevenção a fraudes, garantindo alta detecção de casos fraudulentos e mantendo os erros dentro de níveis aceitáveis.

---

💰 Impacto Financeiro Potencial

O modelo gerou impactos financeiros relevantes na detecção de fraudes, conforme detalhado abaixo:

• Custo de Falsos Positivos: R$ 180.432,57
  (Valor gasto devido a transações legítimas incorretamente classificadas como fraude)

• Economia de Verdadeiros Positivos: R$ 923.082,56
  (Valor economizado ao detectar corretamente transações fraudulentas)

• Impacto Monetário Líquido: R$ 742.649,99
  (Economia total após considerar os custos gerados pelos falsos positivos)

Esses números mostram que o modelo contribui para uma economia financeira significativa ao reduzir perdas com fraudes, mesmo levando em conta os custos dos falsos alarmes.

---

🛠️ Ferramentas Utilizadas

• Python – Linguagem principal
• Pandas – Manipulação e análise de dados
• Matplotlib / Seaborn – Visualização gráfica
• Scikit-learn – Modelagem preditiva e métricas
• Jupyter Notebook – Ambiente de desenvolvimento

---

🧠 Conclusão

A Rede Neural Artificial (MLP) mostrou que é capaz de:

• Detectar transações fraudulentas com eficácia, enquanto mantém um número relativamente baixo de falsos positivos.
• A avaliação revela que o modelo é particularmente robusto para um problema onde o conjunto de dados é altamente desbalanceado.
• A detecção automática permitirá às empresas prevenir fraudes em tempo real, aumentando a segunrança nas transações financeiras.

---

🔄 Próximos Passos

• Implementar o modelo em um pipeline de produção junto às transações em tempo real.
• Realizar um fine-tuning dos parâmetros para obter ainda maior recall.
• Experimentar outros algoritmos (Gradient Boosting, LightGBM, XGBoost) para melhoria de desempenho.

---

🧑‍💻 Autor e Contato

Higor Roberto Coutinho Caetano
LinkedIn: https://www.linkedin.com/in/higor-caetano-049521136/
E-mail: higorfct@gmail.com