Predicting Credit Card Fraud with R
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.
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 você desenvolverá
- Data Analysis
- Machine Learning
- R Programming
Aprender passo a passo
Em um vídeo reproduzido em uma tela dividida com a área de trabalho, seu instrutor o orientará sobre esses passos:
Task 1: Explore why imbalanced datasets are problematic for classification algorithms.
Task 2: Use R to explore a dataset.
Task 3: Create random testing and training datasets using the caret package in R.
Task 4: Use R to synthetically balance your training dataset using three techniques from the smotefamily package.
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.
Task 6: Use R to visually compare your models using the recall, precision, and F measure classification accuracy metrics.
Como funcionam os projetos guiados
Sua área de trabalho é um espaço em nuvem, acessado diretamente do navegador, sem necessidade de nenhum download
Em um vídeo de tela dividida, seu instrutor te orientará passo a passo
Avaliações
Principais avaliações do PREDICTING CREDIT CARD FRAUD WITH R
Very intriguing course and example application. Very informative and practical approaches to addressing imbalances in data. Excellent instructor and great course.
It is best guided project which helps to learn caret library and this helped me to increase my r programming skills
Very thorough and enlightening demonstration of the classification on unbalanced data sets.
Very knowledgeable instructor. Excellent information.
Perguntas Frequentes – FAQ
Perguntas Frequentes – FAQ
O que eu ganho se comprar projetos guiados?
Os projetos guiados estão disponíveis no computador e em dispositivos móveis?
Quem são os instrutores dos projetos guiados?
Posso baixar o trabalho do meu projeto guiado após completá-lo?
Como funciona a política de reembolso?Como funciona a política de reembolso?
Existe algum auxílio financeiro disponível?
Posso participar como ouvinte de um projeto guiado e assistir de graça a uma parte do vídeo?
Quanta experiência eu preciso ter para fazer esse projeto guiado?
Posso completar esse projeto guiado pelo meu navegador web em vez de instalar um software especial?
Como é a experiência de aprendizado com os projetos guiados?
Mais dúvidas? Visite o Central de Ajuda ao estudante.
Coursera Footer
