信贷欺诈风险预测数据集CreditFraudRiskPrediction-bangcups
数据来源：互联网公开数据
标签：信贷风险, 欺诈检测, 机器学习, 信用评分, 用户画像, 风险评估, 二分类, 数据挖掘
数据概述：
该数据集包含经过处理的信贷交易和用户行为数据，旨在用于信贷欺诈风险预测。主要特征如下：
时间跨度：数据未标明具体时间，视作静态数据集使用。
地理范围：数据未明确标注地理范围，推测为信贷市场。
数据维度：数据集包括用户ID、PCA降维后的特征（pc0-pc16）、贷款活动相关特征（in_loan_activities, loan_type_nunique, loan_type_count, loan_ts_min, loan_ts_max, loan_ts_mean, loan_ts_std, loan_count）以及平均欺诈参考指标（reference_fraud_avg）。其中，train_with_fraud_avg.csv 文件还包含一个“label”字段，用于表示用户是否为欺诈用户，构成二分类标签。
数据格式：CSV格式，包含train_with_fraud_avg.csv（训练集）和test_with_fraud_avg.csv（测试集）两个文件，方便进行模型训练和评估。
来源信息：数据来源于公开数据集，已进行匿名化处理和特征工程，包括PCA降维等处理。
该数据集适合用于信贷欺诈风险预测和用户信用风险评估。
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、欺诈检测相关的学术研究，如异常检测、二分类模型的性能评估等。
行业应用：为金融机构、信贷公司提供数据支持，特别是在信贷审批、风险控制、欺诈预警等方面。
决策支持：支持信贷风险管理部门制定更精准的风险控制策略，优化信贷审批流程。
教育和培训：作为金融风控、机器学习课程的实训数据，帮助学生和研究人员深入理解信贷风险评估。
此数据集特别适合用于构建和评估信贷欺诈检测模型，提升欺诈识别的准确性和效率，从而降低金融机构的损失。
