نموذج كشف احتيال مدفوعات رقمية بـ XGBoost و Feature Selection

في هذا المشروع، قمت بتصميم وتطوير نموذج ذكي لكشف الاحتيال في المعاملات المالية الرقمية باستخدام تقنيات Machine Learning على بيانات تحتوي على أكثر من 21 متغير. الهدف الرئيسي من المشروع هو بناء نموذج دقيق وقابل للتطبيق يساعد في الكشف المبكر عن المعاملات المشبوهة لحماية المنصات المالية من الخسائر. أهم ما يتضمنه المشروع: استكشاف وتحليل البيانات (EDA): فهم توزيع البيانات، معالجة القيم المفقودة، وتحليل التوازن بين الفئات (حيث أن حالات الاحتيال تمثل نسبة ضئيلة جداً). هندسة الميزات وتجهيز البيانات: تشفير المتغيرات الفئوية، تطبيق التحجيم (Scaling)، وتقسيم البيانات إلى تدريب واختبار. بناء ومقارنة النماذج: تدريب نموذجي Logistic Regression و XGBoost، مع تقييم الأداء باستخدام Accuracy ومقارنة شاملة. تقليل الأبعاد وتحسين النموذج: تطبيق Feature Selection باستخدام Mutual Information و PCA لتحسين الأداء وتقليل التعقيد الحسابي. تحليل النتائج والمقارنة: رسوم بيانية توضح أداء النماذج قبل وبعد تقليل الأبعاد، مع التركيز على أفضل دقة تم الوصول إليها. توثيق احترافي: Jupyter Notebook كامل ومُعلّق + README جاهز للـ GitHub. النتيجة النهائية: حقق النموذج دقة تصل إلى 98.45% باستخدام XGBoost مع Feature Selection، مما يجعله مشروع قوي وجاهز للاستخدام في أنظمة كشف الاحتيال الحقيقية.