Détection de Fraude Mobile Money

Contexte

Les paiements Mobile Money font circuler chaque jour un grand nombre de petites transactions. Parmi elles, les fraudes sont rares, ce qui les rend difficiles à repérer, à la main comme avec un modèle mal calibré.

Problème

Les données sont très déséquilibrées : les transactions frauduleuses ne représentent qu’une infime part du total. Un modèle qui répond « pas de fraude » partout obtient une précision trompeuse tout en ne détectant rien. Il fallait donc une mesure adaptée et un modèle capable de repérer la classe rare.

Solution

• Pipeline de classification supervisée avec Scikit-Learn et Pandas.
• Comparaison d’un Random Forest et d’arbres de décision sur le même pipeline.
• Évaluation par le F1-score plutôt que par la précision globale, pour tenir compte du déséquilibre.
• Visualisation des résultats avec Matplotlib et Seaborn.

Résultats

• F1-score de 96,4 % sur des données très déséquilibrées, avec le Random Forest.
• Projet terminé et soutenu ; il n’est pas encore mis en production.