标题：金融欺诈风险评估数据集
数据内容：该数据集包含多种与金融欺诈风险评估相关的数据元素，包括但不限于以下字段：欺诈标记（fraud_bool）、收入水平（income）、姓名与邮箱相似度（name_email_similarity）、地址变更记录（prev_address_months_count, current_address_months_count）、客户年龄（customer_age）、请求时间戳（days_since_request）、授信额度申请（intended_balcon_amount）、支付类型（payment_type）、区域编码（zip_count_4w）、行为速率分析（velocity_6h, velocity_24h, velocity_4w）、银行分支机构分布（bank_branch_count_8w）、邮箱活跃度（date_of_birth_distinct_emails_4w）、就业状态（employment_status）、信用评分（credit_risk_score）、邮箱类型（email_is_free）、居住状态（housing_status）、电话验证（phone_home_valid, phone_mobile_valid）、账户时长（bank_months_count）、多卡持有情况（has_other_cards）、信用额度建议（proposed_credit_limit）、跨境请求标记（foreign_request）、数据来源（source）、会话时长（session_length_in_minutes）、设备操作系统（device_os）、会话存活时间（keep_alive_session）、设备与邮箱关联度（device_distinct_emails_8w）、设备欺诈记录（device_fraud_count）、时间窗口（month）、匿名特征（x1, x2）。
数据来源：互联网公开数据
数据用途：该数据集可应用于多个行业和场景，主要用途包括：
1. 金融服务行业：用于欺诈检测、信用评分、风险评估、客户画像绘制、多渠道行为分析。
2. 零售与电子商务行业：用于用户身份验证、异常行为识别、交易安全监控、营销策略优化。
3. 保险行业：用于投保人风险评估、理赔欺诈识别、客户信用评估。
4. 政府与监管机构：用于金融监管、非法交易监测、反洗钱分析。
标签：金融欺诈, 风险评估, 信用评分, 行为分析, 设备特征, 区域分布, 时间序列, 多模态数据, 异常检测, 机器学习, 数据挖掘
行业分类：金融服务, 零售与电子商务, 保险, 政府与监管, 科技与互联网
统计分析：该数据集具有以下显著特点：
1. 数据维度丰富：包含客户行为、设备特征、地理分布、时间序列等多个维度的特征。
2. 数据分布合理：欺诈标记、收入水平、就业状态等关键字段具有清晰的分布特征，便于建立分类模型。
3. 高基数字段：设备指纹（device_distinct_emails_8w）、时间戳（days_since_request）等字段具有极高的基数，反映了数据的多样化特征。
4. 低基数字段：欺诈标记（fraud_bool）、数据来源（source）等字段仅有少数几种可能值，便于进行类别划分和对比分析。
5. 异常检测潜力：行为速率分析（velocity系列字段）、地址变更记录（prev_address_months_count, current_address_months_count）等字段为异常行为检测提供了丰富的特征支持。
