Credit Card Fraud Detection Pipeline
Pipeline anti-friction with temporal validation walk-forward on 1.5M transactions
Pipeline for machine learning production on credit card fraud detection. Walk-forward temporal CV, SMOTE for balancing, XGBoost with PR-AUC 0.85+ and 78% recall on rare class 0.5%.
Highlights
- Dataset 1.5M simulated transactions with ~800 merchants and ~1,000 customers (2019-2020)
- Temporal validation walk-forward - eliminate typical lookahead bias in financial datasets
- Precision - Rare Class: 0.5%, Fraud Rate: 0.5%, Recall: 78%, AUC: 0.85
- Time-based feature engineering: geographic distance, daily patterns, customer/merchant aggregates, anomaly indicators.
- Class imbalance managed through SMOTE + class weights + cost-aware threshold tuning
- Interpretability with SHAP and LIME for regulatory audits (PSD2, AMLD)
- 6 articles on imbalanced classification, fraudulent metrics, temporal features
What is the project?
Pipeline ML production-ready per la detection di frodi su carte di credito. Implementa una pipeline antifrode end-to-end allenata su 1.5M transazioni simulate, con cross-validation temporale walk-forward, gestione esplicita dello sbilanciamento di classe (0.5% di frodi) e ottimizzazione della soglia in funzione del costo di business. Repo: github.com/fedcal/Credit-Card-Transactions-Fraud-Detection-Dataset.
Pipeline Architecture
- Data loading: 1.5M transazioni × ~50 feature, periodo 2019–2020
- Feature engineering: distanza geografica cliente↔merchant, pattern temporali (ora del giorno, weekend), aggregati cliente, aggregati merchant, indicatori di anomalia
- Temporal walk-forward CV: split che rispetta la cronologia e previene lookahead bias
- Confronto modelli: Logistic Regression (baseline) → Random Forest → XGBoost
- Class imbalance: SMOTE + class weights, valutati separatamente
- Cost-aware threshold: ottimizza FN vs FP con costi business reali
- Inference API: pipeline serializzata per scoring real-time
Temporal Test Set Metrics
- PR-AUC 0.85+ - metrica primaria per dati sbilanciati
- Recall @ precision 0.5 ~78% - tasso di detection frodi
- F1-Score ottimizzato per soglia, ROC curves e confusion matrices
- Class imbalance documentata: 0.5% frodi vs 99.5% legitimate
Il punto di forza è la generalizzazione temporale: il modello viene validato sempre su finestre future rispetto al training, replicando il setup di produzione.
Use Case Business
Sistemi antifrode banking e fintech: scoring real-time delle transazioni in arrivo per flaggare tentativi ad alto rischio mantenendo l'esperienza cliente (false rejection minimi). Adattabile a use case affini come anti-money-laundering (AMLD), insurance claims fraud e abuse detection in piattaforme di pagamento.
Conformity and Auditability
Pipeline progettata con SHAP/LIME per spiegabilità delle predizioni - requisito per audit regulatory PSD2, GDPR Art. 22 (decisioni automatizzate) e AML directives EU. Ogni decisione del modello può essere ricondotta alle feature determinanti, supportando la compliance dei team antifrode.
Full technology stack
| Level | Technology | Annotation |
|---|---|---|
| Linguaggio | Python 3.11–3.13 | - |
| ML core | scikit-learn, XGBoost, imbalanced-learn (SMOTE) | - |
| Validazione | Walk-forward temporal CV (no lookahead bias) | - |
| Interpretability | SHAP + LIME (analisi feature importance globali e locali) | - |
| Ottimizzazione soglia | Cost-aware tuning (FN vs FP business cost) | - |
| Documentazione | Docusaurus 3 + TypeScript + KaTeX | - |
| CI/CD | GitHub Actions (test + deploy docs) | - |
