معرفی شرکت ها

fraudtransaction-task-0.0.4

Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
0.0.4
0.0.3
0.0.2
0.0.1.dev0
0.0.1

توضیحات

Technical task anomaly detection
ویژگی مقدار
سیستم عامل -
نام فایل fraudtransaction-task-0.0.4
نام fraudtransaction-task
نسخه کتابخانه 0.0.4
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Srijith M
ایمیل نویسنده srijithm7@gmail.com
آدرس صفحه اصلی https://bitbucket.org/srijithm7_bb/fraudtransactiondetection/
آدرس اینترنتی https://pypi.org/project/fraudtransaction-task/
مجوز -
=========== Fraud Transaction Detection =========== Fraud Transaction Detection provides a model developed by python sklearn library clustering and classification algorithm for finding the fraud transactions in a given dataset. You might find it most useful for tasks involving finding which transactions are fraudulent transactions in a given dataset. It supports both CSV and ods file types as of now and a single sample record can be provided as an array. Typical usage often looks like this:: #!/usr/bin/env python import frauddetection.use_model as fd fd.FraudDetectionPredict.predictSingleSample([1284b75c-ecae-4015-8e3d-359c0347ede8, 0, 1, 1, 1, 0, 188, 174, 0, 1, 3, 3, 8, 52, 1, 1, 1, 1]) fd.FraudDetectionPredict.predictDatasetCsv('data.csv') #path to csv file as argument fd.FraudDetectionPredict.predictDatasetOds('data.ods') #path to ods file as argument Note ------------- When providing a single sample, the feature values should be provided as an array excluding the consumer id and gender column value. Output ========= Output look like this:: [1] [0 0 1 ... 0 0 0] [0 0 0 ... 0 1 0] * 0 denotes normal transaction * 1 denotes anomaly transaction (fraud transaction)


زبان مورد نیاز

مقدار نام
>=3.6 Python


نحوه نصب


نصب پکیج whl fraudtransaction-task-0.0.4:

    pip install fraudtransaction-task-0.0.4.whl


نصب پکیج tar.gz fraudtransaction-task-0.0.4:

    pip install fraudtransaction-task-0.0.4.tar.gz