金融欺诈风险评估数据集FinancialFraudRiskAssessment-husanrahmatullayev
数据来源：互联网公开数据
标签：欺诈检测, 风险评估, 信用风险, 机器学习, 金融科技, 数据挖掘, 欺诈行为, 行为分析
数据概述：
该数据集包含用于金融欺诈风险评估的交易数据，记录了用户的多种行为特征，用于识别潜在的欺诈交易。主要特征如下：
时间跨度：数据未明确标明时间范围，但根据特征字段（如“month”）推测可能包含一段时间内的交易记录。
地理范围：未明确地理范围信息，但数据涵盖了多种用户行为和交易属性，具有一定的通用性。
数据维度：数据集包含31个特征，包括：fraud_bool（欺诈标识，1表示欺诈，0表示正常），income（收入），name_email_similarity（姓名与邮箱相似度），prev_address_months_count（前居住地址月数），current_address_months_count（当前居住地址月数），customer_age（客户年龄），days_since_request（距离请求天数），intended_balcon_amount（预期余额），payment_type（支付类型），zip_count_4w（4周内邮编计数），velocity_6h（6小时内交易速度），velocity_24h（24小时内交易速度），velocity_4w（4周内交易速度），bank_branch_count_8w（8周内银行分支机构计数），date_of_birth_distinct_emails_4w（4周内不同出生日期邮箱计数），employment_status（就业状态），credit_risk_score（信用风险评分），email_is_free（邮箱是否免费），housing_status（居住状态），phone_home_valid（家庭电话是否有效），phone_mobile_valid（手机是否有效），bank_months_count（银行账户月数），has_other_cards（是否有其他信用卡），proposed_credit_limit（提议信用额度），foreign_request（是否为国外请求），source（来源），session_length_in_minutes（会话时长），device_os（设备操作系统），keep_alive_session（会话保持），device_distinct_emails_8w（8周内设备不同邮箱计数），device_fraud_count（设备欺诈计数），month（月份）。
数据格式：CSV格式，文件名为Base.csv，易于数据分析和建模处理。
该数据集适合用于构建欺诈检测模型、分析用户行为模式和评估信用风险。
数据用途概述：
该数据集具有广泛的应用潜力，特别适用于以下场景：
研究与分析：适用于金融风险管理、机器学习与欺诈检测交叉领域的学术研究，如异常检测、欺诈行为模式分析等。
行业应用：为金融机构、支付平台、电商平台等提供数据支持，尤其适用于构建欺诈检测系统、信用风险评估模型，提升风控效率。
决策支持：支持金融机构的风险管理决策，例如优化风控策略、调整信用额度、识别高风险用户。
教育和培训：作为数据科学、机器学习、金融风控等相关课程的实训材料，帮助学生和研究人员深入理解欺诈检测的原理和技术。
此数据集特别适合用于探索欺诈交易的规律与特征，帮助用户构建有效的欺诈检测模型，提高识别欺诈行为的准确率。
