1. 课程导论：异常交易检测的背景与挑战

1.1 异常交易检测的背景与挑战

在金融风控领域，异常交易检测是识别与正常用户行为模式显著偏离的交易活动的过程。随着支付渠道的数字化和交易量的爆发式增长，欺诈手段也日趋隐蔽和复杂，传统基于规则的系统面临严峻挑战。

主要挑战维度

1.2 课程目标与学习路径

本课程旨在帮助学员掌握从原始交易数据到可部署的异常检测模型看板的完整流程。通过理论与实践结合的方式，学员将能够独立构建端到端的风控系统原型。

课程核心目标

• 掌握样本切分策略： 针对不平衡数据，学会使用时间序列切分、分层采样、SMOTE 过采样等方法构建训练集与测试集。
• 构建检测模型： 使用 Scikit-learn 实现孤立森林、LOF、One-Class SVM 等经典异常检测算法。
• 开发模型看板： 基于 Flask 框架搭建交互式 Web 应用，实时展示模型检测结果与关键指标。
• 评估与迭代： 理解精确率、召回率、F1-score、AUC-ROC 等指标在风控场景下的实际含义。

推荐学习路径

1.3 所需技术栈概览

本课程涉及的技术栈覆盖数据处理、机器学习建模与 Web 应用开发三个层面。以下表格列出了核心工具及其在本课程中的用途。

环境快速安装示例

建议使用虚拟环境管理依赖，以下为推荐安装命令：

# 创建虚拟环境
python -m venv fraud_env
source fraud_env/bin/activate  # Linux/Mac
# fraud_env\Scripts\activate   # Windows

# 安装核心依赖
pip install pandas numpy scikit-learn flask matplotlib plotly imbalanced-learn

# 验证安装
python -c "import pandas; import sklearn; import flask; print('环境就绪')"

1.4 课程项目实战预览

在本课程结束时，你将完成一个完整的 异常交易检测与模型看板 项目。以下为项目最终形态的简要预览：

• 数据输入： 模拟信用卡交易数据集，包含交易金额、时间、商户类别、地理位置等字段。
• 模型输出： 基于孤立森林的异常评分，标记每笔交易为“正常”或“可疑”。
• 看板功能：
  • 实时交易检测结果展示（表格 + 状态指示灯）
  • 异常交易分布可视化（散点图、直方图）
  • 模型性能指标面板（精确率、召回率、AUC）
  • 样本切分比例控制与重新训练触发

通过本课程的学习，你将具备独立构建金融风控原型系统的能力，为后续深入生产级系统开发打下坚实基础。