Predicting Credit Card Fraud with R

4.5
estrellas

22 calificaciones

ofrecido por
En este proyecto guiado, tú:

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
Intermedio
No se necesita descarga
Video de pantalla dividida
Inglés (English)
Solo escritorio

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.

Habilidades que desarrollarás

  • Data Analysis

  • Machine Learning

  • R Programming

Aprende paso a paso

En un video que se reproduce en una pantalla dividida con tu área de trabajo, tu instructor te guiará en cada paso:

  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.

Cómo funcionan los proyectos guiados

Tu espacio de trabajo es un escritorio virtual directamente en tu navegador, no requiere descarga.

En un video de pantalla dividida, tu instructor te guía paso a paso

Instructor

Reseñas

Principales reseñas sobre PREDICTING CREDIT CARD FRAUD WITH R

Ver todas las reseñas

Preguntas Frecuentes

Al comprar un proyecto guiado, obtendrás todo lo que necesitas para completarlo, incluido el acceso a un espacio de trabajo de escritorio en la nube a través de tu navegador web que contiene los archivos y el software que necesitas para comenzar, además de instrucciones de video paso a paso de un experto en la materia.

Dado que tu espacio de trabajo contiene un escritorio en la nube del tamaño de una computadora portátil o computadora de escritorio, los proyectos guiados no están disponibles en tu dispositivo móvil.

Los instructores de proyectos guiados son expertos en la materia que tienen experiencia en habilidades, herramientas o dominios de su proyecto y les apasiona compartir sus conocimientos para impactar a millones de estudiantes en todo el mundo.

Puedes descargar y conservar cualquiera de tus archivos creados del proyecto guiado. Para hacerlo, puedes usar la función 'Explorador de archivos' mientras accedes a tu escritorio en la nube.

Los proyectos guiados no son elegibles para reembolsos. Ver nuestra política de reembolso completo.

La ayuda financiera no está disponible para proyectos guiados.

El acceso como oyente no está disponible para los proyectos guiados.

En la parte superior de la página, puedes presionar en el nivel de experiencia de este proyecto guiado para ver los requisitos de conocimientos previos. En cada nivel del proyecto guiado, tu instructor te orientará paso a paso.

Sí, todo lo que necesitas para completar tu proyecto guiado estará disponible en un escritorio en la nube que estará disponible en tu navegador.

Aprenderás completando tareas en un entorno de pantalla dividida directamente en tu navegador. En el lado izquierdo de la pantalla, completarás la tarea en tu espacio de trabajo. En el lado derecho de la pantalla, verás a un instructor guiarte a través del proyecto, paso a paso.