Predicting Credit Card Fraud with R

4.6
звезд

Оценки: 23

от партнера
В этом Проект с консультациями вы:

Use R to identify fraudulent credit card transactions with a variety of classification methods.

Create, train, and evaluate decision tree, naïve Bayes, and Linear discriminant analysis classification models using R

Generate synthetic samples to improve the performance of your models.

1.5 hours
Учащийся среднего уровня
Загрузка не требуется
Видео на разделенном экране
Английский
Только для ПК

Welcome to Predicting Credit Card Fraud with R. In this project-based course, you will learn how to use R to identify fraudulent credit card transactions with a variety of classification methods and use R to generate synthetic samples to address the common problem of classification bias for highly imbalanced datasets—the class of interest (fraud) represents less than 1% of the observations. Class imbalance can make it difficult to detect the effect independent variables have on fraud, ultimately leading to higher misclassification rates. Fixing the imbalance allows the minority class (fraud) to be better learned by the classifier algorithms. After completing the project, you will be able to apply the methods introduced in the project to a wide range of classification problems that typically confront class imbalance, including predicting loan default, customer churn, cancer diagnosis, early high school dropout risk, and malware detection. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

Навыки, которые вы получите

  • Data Analysis

  • Machine Learning

  • R Programming

Будете учиться пошагово

На видео, которое откроется рядом с рабочей областью, преподаватель объяснит эти шаги:

  1. Task 1: Explore why imbalanced datasets are problematic for classification algorithms.

  2. Task 2: Use R to explore a dataset.

  3. Task 3: Create random testing and training datasets using the caret package in R.

  4. Task 4: Use R to synthetically balance your training dataset using three techniques from the smotefamily package.

  5. Task 5: Train three classification algorithms (decision tree, naïve Bayes, and linear discriminant analysis) using the natively imbalanced dataset, and generate the predictions for the test dataset.

  6. Task 6: Use R to visually compare your models using the recall, precision, and F measure classification accuracy metrics.

Как устроены проекты с консультациями

Ваше рабочее пространство — это облачный рабочий стол в браузере. Ничего не нужно загружать.

На разделенном экране видео преподаватель предоставляет пошаговые

Преподаватели

Рецензии

Лучшие отзывы о курсе PREDICTING CREDIT CARD FRAUD WITH R

Посмотреть все отзывы

Часто задаваемые вопросы

Приобретая проект с консультациями, вы получаете все необходимое для его выполнения, включая браузерный доступ к рабочему столу, содержащему папки и программы для начала работы, а также пошаговые видеоинструкции от отраслевого эксперта.

Поскольку ваше рабочее пространство включает облачный рабочий стол, рассчитанный на ноутбук или ПК, проекты с консультациями недоступны на мобильном устройстве.

Преподаватели, ведущие проект с рекомендациями, — это отраслевые эксперты с навыками, инструментами и пониманием темы, которые хотят разделить свои знания с миллионами учащихся по всему миру.

Вы можете скачать и сохранить любой из созданных файлов своего проекта с рекомендациями. Для этого воспользуйтесь функцией "Обозреватель файлов" на облачном рабочем столе.

Средства за проекты с рекомендациями не возвращаются. Ознакомьтесь с полным текстом нашей политики возврата средств.

Финансовая помощь недоступна для проектов с рекомендациями.

Прослушивание недоступно для проектов с консультациями.

В верхней части страницы вы можете нажать уровень опыта для этого проекта с консультациями, чтобы просмотреть предварительные требования к знаниями. Преподаватель проведет вас пошагово по каждому уровню проекта с консультациями.

Да, все необходимое для завершения проекта с рекомендациями будет доступно на облачном рабочем столе. Вы сможете открыть этот рабочий стол в браузере.

Вы научитесь выполнять задания в режиме разделенного экрана непосредственно в браузере. В левой части экрана можно выполнять задания в своем рабочем пространстве. В правой части экрана можно просматривать пошаговые инструкции преподавателя по работе с проектом.