Détection Prédictive de Fraude

Bancaire: Une approche de Machine

Learning .

ABDOULAYE TANGARA
Student in MSc in Quantitative and Computable Economics

Contacts
ï LinkedIn
§ Mon GitHub
€ Mon Portfolio
# abdoulayetangara722@[Link]

"To get something you never had, you’ve got to do something you
never did. Get your mind right"

©Tangara Abdoulaye
Contexte :
Il y a quelques années, un de mes cousins a été victime d’une fraude bancaire. Un matin, il
consulte son relevé de compte et découvre que plusieurs virements ont été effectués à son insu
durant la nuit. Des sommes modestes, transférées vers des comptes inconnus, mais cumulées,
elles représentaient presque tout son solde.
Il avait pourtant activé les alertes SMS et n’avait cliqué sur aucun lien suspect. Après enquête,
la banque conclut à un piratage silencieux, utilisant des transactions éclatées et discrètes pour
contourner les systèmes de détection.
Cet événement a été un déclic. Il m’a fait prendre conscience que la fraude moderne ne se
manifeste plus toujours par des montants exorbitants ou des comportements flagrants. Elle
devient sournoise, évolutive, algorithmique.
Ce projet est donc né de cette prise de conscience : construire un modèle prédictif basé sur l’IA,
capable de repérer les signaux faibles que l’humain ne perçoit pas, et d’alerter avant qu’il ne soit
trop tard.

Problématique :
Comment exploiter la puissance du Machine Learning pour identifier des schémas frauduleux
complexes, tout en minimisant les faux positifs qui perturbent l’expérience client ?

Objectif :
Ce projet vise à développer un modèle prédictif capable de détecter les transactions frauduleuses
en temps réel, en s’appuyant sur une analyse approfondie des données transactionnelles (mon-
tants, soldes, types d’opérations). Grâce à des techniques avancées de feature engineering et à
l’algorithme XGBoost, le système parvient à une précision de 99 %, tout en maintenant un taux
de rappel élevé pour ne pas laisser passer les fraudes.

Enjeux :
• Réduire les pertes financières liées aux fraudes.
• Améliorer la confiance des clients dans les transactions digitales.
• Automatiser la détection pour une réponse plus rapide que les méthodes manuelles.

©Tangara Abdoulaye

1
 Importation des modules nécessaires

[1]: # Chargement des modules neccessaires

import pandas as pd
import numpy as np
import [Link] as plt #
import seaborn as sns
import [Link] as px
import [Link] as stat
from tabulate import tabulate
from scipy import stats

from [Link] import SimpleImputer

from [Link] import Pipeline
from [Link] import OneHotEncoder, StandardScaler
from sklearn.model_selection import train_test_split
from [Link] import ColumnTransformer
from [Link] import PCA
from xgboost import XGBClassifier
from [Link] import classification_report, confusion_matrix

import shap
import warnings
[Link]('ignore')
[Link].chained_assignment = None

Gestion du temps

[2]: # Définition des tâches et durées

tache = {
"Tâches": [
"Etude du contexte",
"Recherche & Traitement des données",
"Analyse exploratoire des Données",
"Modélisation ML",
"Tests & validation",
"Analyse des résultats",
"Rédaction & Publication"
],
"Début": ["2025-03-17", "2025-03-25", "2025-04-02","2025-04-11",␣
,→"2025-04-14", "2025-04-17", "2025-04-22"],

"Fin": ["2025-03-23", "2025-03-31", "2025-04-10",␣

,→"2025-04-13","2025-04-17", "2025-04-21", "2025-05-01"]

# Tracer le diagramme de Gantt

df = [Link](tache)
title = "Diagramme de GANTT"
xaxis_title = "Dates d'exécution (semaines)"
yaxis_title = "Tâches à réaliser"

2
 def gantt_diagram (df, title=None, xaxis_title=None, yaxis_title=None):

"""

Il s'agit d'une fonction qui permet de générer un Diagramme de GANTT

montrant l'agencement du projet.

"""

fig = [Link](df, x_start="Début", x_end="Fin", y="Tâches",␣

color="Tâches",
,→

title=title, labels={"Task": yaxis_title})

fig.update_yaxes(autorange="reversed")
fig.update_layout(xaxis_title=xaxis_title)
[Link]()

# Création du Gantt chart

gantt_diagram(df, title=title, xaxis_title=xaxis_title,␣
,→yaxis_title=yaxis_title)

0. Chargement des données

[3]: # Chatagement du dataset

data = pd.read_csv("fraud_data.csv", delimiter = ',')
df_5_row = [Link]()
df_5_row

[3]: step type amount nameOrig oldbalanceOrg newbalanceOrig \

0 1 PAYMENT 9839.64 C1231006815 170136.0 160296.36
1 1 PAYMENT 1864.28 C1666544295 21249.0 19384.72
2 1 TRANSFER 181.00 C1305486145 181.0 0.00
3 1 CASH_OUT 181.00 C840083671 181.0 0.00
4 1 PAYMENT 11668.14 C2048537720 41554.0 29885.86

nameDest oldbalanceDest newbalanceDest isFraud isFlaggedFraud

0 M1979787155 0.0 0.0 0 0

3
 1 M2044282225 0.0 0.0 0 0
2 C553264065 0.0 0.0 1 0
3 C38997010 21182.0 0.0 1 0
4 M1230701703 0.0 0.0 0 0

[4]: # Information sur le dataset

print(f"Le nombre de clients : {[Link][0]} \n")
print(f"Le nombre de caractéristiques : {[Link][1]} \n")

Le nombre de clients : 6362620

Le nombre de caractéristiques : 11

1. Analyse Univarée

[5]: class AnalyseUnivariee:

def __init__(self, df):
[Link] = df
self.var_quanti = df.select_dtypes(include=[float]).[Link]()
self.var_quali = df.select_dtypes(include=[int, object, "category"]).
,→[Link]()

# On enlève les colonnes non pertinentes si elles existent

for col in ["nameOrig", "step", "nameDest"]:
if col in self.var_quali:
self.var_quali.remove(col)

def analyser_quanti(self):
print(f"\nStatistique descriptive des variables quantitatives :
,→\n{[Link][self.var_quanti].describe()}\n")

print("Analyse de la dispersion (boxplots) :")

for col in self.var_quanti:
[Link](figsize=(10, 5))
[Link](x=[Link][col])
[Link](f"Boxplot de {col}")
[Link](col)
[Link]()

print(" Analyse de la normalité (histogrammes + Shapiro) :")

for col in self.var_quanti:
sw, pvalue = [Link]([Link][col].dropna()) # on évite les␣
,→ NaN
[Link](figsize=(10, 5))
[Link]([Link][col], kde=True)
if pvalue < 0.05:
[Link](f"{col} n'est pas normalement distribuée (p = {np.
,→round(pvalue, 2)})")

else:
[Link](f"{col} est normalement distribuée (p = {np.
,→round(pvalue, 2)})")

4
 [Link]()

def analyser_quali(self):
print(f"\nStatistique descriptive des variables qualitatives :\n{self.
,→df[self.var_quali].describe(include='all')}\n")

for col in self.var_quali:

counts = [Link][col].value_counts()
[Link](figsize=(13, 8))
[Link](counts, labels=[Link], autopct='%1.1f%%',␣
,→startangle=90,

colors=['skyblue', 'salmon', 'lightgreen'])

[Link](f"Répartition de {col}")
[Link]()

def lancer_analyse(self):
print("\nDÉBUT DE L'ANALYSE UNIVARIÉE\n")
if self.var_quanti:
self.analyser_quanti()
if self.var_quali:
self.analyser_quali()
print("\n FIN DE L'ANALYSE UNIVARIÉE\n")

[ ]: # Resultats des analyses

if __name__ == "__main__":
print("\nDÉBUT DE L'ANALYSE UNIVARIÉE\n")
# Instanciation de la classe AnalyseUnivariee
# et lancement de l'analyse univariée
analyse_1 = AnalyseUnivariee(data)

# Analyse des variables quantitative

analyse_1.analyser_quanti()

# Analyses des variables qualitatives

analyse_1.analyser_quali()

Statistique descriptive des variables quantitatives :

amount oldbalanceOrg newbalanceOrig oldbalanceDest \
count 6.362620e+06 6.362620e+06 6.362620e+06 6.362620e+06
mean 1.798619e+05 8.338831e+05 8.551137e+05 1.100702e+06
std 6.038582e+05 2.888243e+06 2.924049e+06 3.399180e+06
min 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
25% 1.338957e+04 0.000000e+00 0.000000e+00 0.000000e+00
50% 7.487194e+04 1.420800e+04 0.000000e+00 1.327057e+05
75% 2.087215e+05 1.073152e+05 1.442584e+05 9.430367e+05
max 9.244552e+07 5.958504e+07 4.958504e+07 3.560159e+08

newbalanceDest
count 6.362620e+06
mean 1.224996e+06

5
std 3.674129e+06
min 0.000000e+00
25% 0.000000e+00
50% 2.146614e+05
75% 1.111909e+06
max 3.561793e+08

Analyse de la dispersion (boxplots) :

6
7
Analyse de la normalité (histogrammes + Shapiro) :

8
9
Statistique descriptive des variables qualitatives :

type isFraud isFlaggedFraud

count 6362620 6.362620e+06 6.362620e+06
unique 5 NaN NaN
top CASH_OUT NaN NaN
freq 2237500 NaN NaN
mean NaN 1.290820e-03 2.514687e-06
std NaN 3.590480e-02 1.585775e-03
min NaN 0.000000e+00 0.000000e+00
25% NaN 0.000000e+00 0.000000e+00
50% NaN 0.000000e+00 0.000000e+00
75% NaN 0.000000e+00 0.000000e+00

10
max NaN 1.000000e+00 1.000000e+00

11
où 0 signifie pas de fraude et 1 signifie l’existence de fraude.

12
Interprétation de l’analyse univariée
Variables Quantitatives
les caractéristiques quantitatives telles que (amount, oldbalanceOrg etc.) montrent une distri-
bution fortement asymétrique avec des valeurs extrêmes (visibles dans les boxplots étirés et les
histogrammes non-normaux). Cela suggère la nécessité de transformations (log, scaling) pour la
modélisation. Par ailleurs, les tests Shapiro-Wilks (p=0.0) rejettent l’hypothèse de normalité
pour toutes les variables, justifiant l’utilisation de méthodes robustes comme XGBoost.

Variables Qualitatives
L’analyse sur les types de transactions (représentés par la variable ’type’) montre que les
CASH_OUT (35.2%) et les PAYMENT (22.0%) dominent. Les fraudes sont souvent liées
à des types spécifiques (à vérifier en bivariée). Nous pouvons également repérer un déséquilibre
très important des classes de la variable cible ’isFraud’ avec seulement 0.1% de fraude, ce qui
nécessite des techniques comme le rééchantillonnage ou des métriques focalisées sur la classe

13
 minoritaire (recall, F1-score).
2. Analyse Bivariée

[6]: class BivariateAnalysis:

def __init__(self, df):

[Link] = df
[Link] = [Link]()
self.quant_vars = ['amount', 'oldbalanceOrg', 'newbalanceOrig',␣
,→'oldbalanceDest', 'newbalanceDest']

self.qual_vars = ['type', 'isFraud']

def BivariateQuant(self, variables):

if not isinstance(variables, list) or len(variables) < 2:
raise ValueError("'variables' doit être une liste d'au moins 2␣
,→variables")

valid_vars = [var for var in variables if var in [Link] and␣

,→ [Link].is_numeric_dtype([Link][var])]

if len(valid_vars) < 2:
raise ValueError("Moins de 2 variables numériques valides␣
,→trouvées dans le DataFrame")

df_clean = [Link][valid_vars].dropna()

for i in range(len(valid_vars)):
for j in range(i + 1, len(valid_vars)):
x_var, y_var = valid_vars[i], valid_vars[j]

[Link](figsize=(8, 6))
[Link](data=df_clean, x=x_var, y=y_var,
scatter_kws={'alpha': 0.5},
line_kws={'color': 'red'})
[Link](f"Relation entre {x_var} et {y_var}", pad=20)
plt.tight_layout()
[Link]()

corr, pvalue = [Link](df_clean[x_var],␣

,→df_clean[y_var])

significance = "significative" if pvalue < 0.05 else "non␣

,→significative"

print(f"[{x_var} vs {y_var}] Corrélation {significance} (rho␣

,→= {corr:.2f}, p = {pvalue:.4f})")

print("-" * 50)

corr_matrix = df_clean.corr(method='spearman')
mask = [Link](np.ones_like(corr_matrix, dtype=bool))

[Link](figsize=(10, 8))

14
 [Link](corr_matrix, mask=mask, annot=True, fmt=".2f",␣
cmap="coolwarm", square=True)
,→

[Link]("Matrice de corrélation (Spearman)", pad=20)

plt.tight_layout()
[Link]()

def BivariateQual(self):
for i in self.qual_vars:
for j in self.qual_vars:
if i != j:
contingency_table = [Link]([Link][i], [Link][j])
print(f"\n## Test du Chi2 entre {i} et {j} ##")
chi2, pvalue, dof, expected = stats.
,→chi2_contingency(contingency_table)

if pvalue < 0.05:

print(f" Association entre {i} et {j}, p = {pvalue:.
,→4f}")

else:
print(f" Aucune association entre {i} et {j}, p =␣
,→{pvalue:.4f}")

def BivariateQuantQual(self):
quant_vars = [var for var in self.quant_vars if var in [Link].
,→columns and [Link].is_numeric_dtype([Link][var])]

qual_vars = [var for var in self.qual_vars if var in [Link]␣

,→and not [Link].is_numeric_dtype([Link][var])]

if not quant_vars or not qual_vars:

raise ValueError("Au moins une variable quantitative et une␣
,→qualitative sont nécessaires")

df_clean = [Link][quant_vars + qual_vars].dropna()

for quant_var in quant_vars:

for qual_var in qual_vars:
try:
groups = [group[quant_var].values for name, group in␣
,→df_clean.groupby(qual_var)]

h_stat, pvalue = [Link](*groups)

significance = "significative" if pvalue < 0.05 else "non␣
,→significative"

print(f"\nTest Kruskal-Wallis entre {quant_var} et␣

,→ {qual_var} :")
print(f"H = {h_stat:.2f}, p = {pvalue:.4f} → Association␣
,→ {significance}")

[Link](figsize=(10, 6))
[Link](x=qual_var, y=quant_var, data=df_clean)
[Link](x=qual_var, y=quant_var, data=df_clean,

15
 color='black', alpha=0.3, jitter=True)
[Link](f"{quant_var} par {qual_var} (p = {pvalue:.
4f})", pad=20)
,→

[Link](rotation=45)
plt.tight_layout()
[Link]()

except ValueError as e:
print(f"\nErreur avec {quant_var} et {qual_var} : {e}")

def lancer_analyse(self):
print("\n--- Analyse bivariée quantitative ---")
[Link](self.quant_vars)

print("\n--- Analyse bivariée qualitative ---")

[Link]()

print("\n--- Analyse croisée quanti vs quali ---")

[Link]()

print("\nFIN DE L'ANALYSE BIVARIÉE")

[23]: if __name__ == "__main__":

# Exemple de test rapide

analyse = BivariateAnalysis(data[['amount', 'oldbalanceOrg',␣

,→'newbalanceOrig', 'oldbalanceDest', 'newbalanceDest','type', 'isFraud']])

[Link]()

Test Kruskal-Wallis entre amount et type :

H = 3906986.68, p = 0.0000 → Association significative

16
Test Kruskal-Wallis entre amount et isFraud :
H = 8273.37, p = 0.0000 → Association significative

Test Kruskal-Wallis entre oldbalanceOrg et type :

H = 1868488.64, p = 0.0000 → Association significative

17
Test Kruskal-Wallis entre oldbalanceOrg et isFraud :
H = 9892.17, p = 0.0000 → Association significative

Test Kruskal-Wallis entre newbalanceOrig et type :

H = 4038804.73, p = 0.0000 → Association significative

Test Kruskal-Wallis entre newbalanceOrig et isFraud :

18
H = 4999.38, p = 0.0000 → Association significative

Test Kruskal-Wallis entre oldbalanceDest et type :

H = 3517554.62, p = 0.0000 → Association significative

Test Kruskal-Wallis entre oldbalanceDest et isFraud :

H = 1869.46, p = 0.0000 → Association significative

19
Test Kruskal-Wallis entre newbalanceDest et type :
H = 4170791.50, p = 0.0000 → Association significative

Test Kruskal-Wallis entre newbalanceDest et isFraud :

H = 170.84, p = 0.0000 → Association significative

20
Interprétation de l’analyse univariée
(NB : Compte tenu de la taille de la base de donnée et de la performance des outils utilisés pour
ce projet, certain resultat de cette section ne sont pas affiché)

Variables
Matrice de Spearman: Aucune corrélation forte (>0.5) entre les variables quantitatives,
sauf entre oldbalanceOrg/newbalanceOrig (0.99) et oldbalanceDest/newbalanceDest
(0.97), suggérant des redondances à traiter (PCA ou suppression).
Relations non linéaires: Les regplots montrent des nuages de points dispersés, indiquant
que des modèles linéaires seraient peu adaptés → choix de XGBoost justifié par sa capacité à
capturer des relations complexes.
Fraude vs Montant: Les transactions frauduleuses ont des montants médians plus élevés
(boxplot amount par isFraud), mais avec une grande variance. XGBoost peut gérer cette
hétérogénéité via ses splits optimaux.
Type de transaction: Les TRANSFER et CASH_OUT montrent des distributions de soldes
différentes pour les fraudes (p=0.0000), confirmant leur importance comme features.
Association type/isFraud: Lien significatif (p=0.0000), validant l’inclusion de type dans le
modèle.
4.1. Analyse Multivariée avant le Feature Engineering
• Encodage
• Normalisation
• Définition du target et des features
• Instanciation de PCA

21
[7]: # Suppression des variables inutiles
data_1 = [Link]()
[Link](columns=["isFlaggedFraud","nameOrig","nameDest"], inplace=True)

# Conversiond des variables en catégories

var_categorielle = ["isFraud","type"]
for var in var_categorielle:
data[var] = data[var].astype("category")

# Encoding des variables catégorielles

df_demmies_0 = pd.get_dummies(data[["type"]], prefix=["type"],␣
,→prefix_sep="_", dtype=int)

data_0 = [Link]([data,df_demmies_0], axis=1)

data_0.drop(columns=["type"], inplace = True)

# Normalisation des varaibles

data_0[[
'amount','oldbalanceOrg', 'newbalanceOrig',
'oldbalanceDest', 'newbalanceDest']] = (data_0[['amount','oldbalanceOrg',␣
,→'newbalanceOrig','oldbalanceDest', 'newbalanceDest']] -␣

,→data_0[['amount','oldbalanceOrg', 'newbalanceOrig','oldbalanceDest',␣

,→'newbalanceDest']].mean())/data_0[['amount','oldbalanceOrg',␣

,→'newbalanceOrig','oldbalanceDest', 'newbalanceDest']].std()

data_vf = data_0.copy()

[8]: class MultivariateAnalyser:

def __init__(self, df):
[Link] = df

def pca(self):

# Définition des features et de la variables cibles

features = [Link](columns = "isFraud")
target = [Link]["isFraud"]
pca = PCA()
features_pca = pca.fit_transform(features)

# Determination des composants principales

composant_principale = [Link](
{
"Dimension" : ["PCA_" + str(x) for x in range(features.
,→shape[1])],

"Valeur propre" : [Link](pca.explained_variance_,3),

"Taux_variance" : [Link](pca.explained_variance_ratio_,3),
"Taux_variance_cum" : [Link]([Link](pca.
,→explained_variance_ratio_),3)

}
)

22
 # Impact de variables initiales sur les composantes
vecteur_propre = [Link](
pca.components_.T,
columns=["PCA_" + str(x+1) for x in range([Link][1])],
index = [Link].to_list()
)

# Tri des variables par leur contribution absolue maximale à une␣

,→composante␣principale

vecteur_propre_sorted = vecteur_propre.abs().max(axis=1).
,→sort_values(ascending=False).index

vecteur_propre = vecteur_propre.loc[vecteur_propre_sorted]

# Affichage du tableau croisé des 5 premières variables les plus␣

,→contributives
vecteur_propre_5 = vecteur_propre.sort_values(by="PCA_1",␣
,→ascending=False)

# Representation graphique de l'ACP

# Créer le cercle de corrélation

coeff = [Link](pca.components_[0:2, :])
n = [Link][0]
xs = [Link]([1, 0])
ys = [Link]([0, 1])
feature_names = [Link].to_list()
# Créer la figure
[Link](figsize=(10, 10))

# Placer les vecteurs des variables

for i in range(n):
[Link](0, 0, coeff[i, 0], coeff[i, 1], color='k', alpha=0.9,␣
,→head_width=0.02)

[Link](coeff[i, 0] * 1.15, coeff[i, 1] * 1.15,␣

,→feature_names[i], color='k', ha='center', va='center')

# Placer le cercle unitaire

circle = [Link]((0, 0), 1, color='gray', fill=False,␣
,→linestyle='--')

[Link]().add_artist(circle)

# Ajuster les limites et les axes

[Link](-1, 1)
[Link](-1, 1)
[Link](0, color='gray', linewidth=1)
[Link](0, color='gray', linewidth=1)
[Link]('PC1')
[Link]('PC2')
[Link]('Cercle de corrélation ACP des fraudes')

23
 # Afficher la figure
[Link]()

return composant_principale, vecteur_propre_5

def lancer_analyse(self):

"""
Cela permet de lancer l'analyse
"""
print("\n --Analyse Multivariée -- \n")
cp, vp5 = [Link]()
print("-- Les Composants Principaux --")
print(f"\n {cp} \n")

print("-- Influence de chaque variable dans les composants --")

print(f"{vp5} \n")
print("\n FIN DE L'ANALYSE BIVARIÉE")

[10]: an_before = MultivariateAnalyser(data_vf)

an_before.lancer_analyse()

--Analyse Multivariée --

24
-- Les Composants Principaux --

Dimension Valeur propre Taux_variance Taux_variance_cum

0 PCA_0 20258.392 1.0 1.0
1 PCA_1 2.285 0.0 1.0
2 PCA_2 2.020 0.0 1.0
3 PCA_3 0.787 0.0 1.0
4 PCA_4 0.330 0.0 1.0
5 PCA_5 0.181 0.0 1.0
6 PCA_6 0.085 0.0 1.0
7 PCA_7 0.008 0.0 1.0
8 PCA_8 0.007 0.0 1.0
9 PCA_9 0.001 0.0 1.0
10 PCA_10 0.000 0.0 1.0

-- Influence de chaque variable dans les composants --

PCA_1 PCA_2 PCA_3 PCA_4 PCA_5 PCA_6 \
step 1.000000 -0.000229 0.000221 -0.000029 0.000071 -0.000027
oldbalanceDest 0.000194 0.570943 -0.255725 -0.387041 -0.060993 0.022902
newbalanceDest 0.000182 0.589483 -0.290709 -0.193589 -0.058678 -0.051319
amount 0.000157 0.348623 -0.213127 0.893284 -0.018864 -0.044260

25
 type_PAYMENT 0.000016 -0.108373 -0.017541 -0.035981 -0.672788 -0.466415
type_TRANSFER 0.000013 0.033807 -0.038587 0.095204 -0.039269 0.103640
type_CASH_IN 0.000012 0.077308 0.142813 -0.002966 -0.020406 0.755084
type_DEBIT 0.000002 -0.000387 -0.001019 -0.002575 -0.000706 0.007656
type_CASH_OUT -0.000043 -0.002356 -0.085667 -0.053682 0.733169 -0.399966
oldbalanceOrg -0.000071 0.305094 0.621940 0.030464 0.016009 -0.158605
newbalanceOrig -0.000072 0.305032 0.623160 0.024146 0.009264 -0.106115

PCA_7 PCA_8 PCA_9 PCA_10 PCA_11

step 0.000013 5.942024e-07 0.000020 0.000002 -4.759636e-18
oldbalanceDest -0.002979 -7.877240e-02 -0.669598 -0.002970 1.107113e-13
newbalanceDest -0.004979 8.303665e-02 0.719391 0.001221 -1.192488e-13
amount -0.119279 -1.067870e-02 -0.135705 0.003236 1.946448e-14
type_PAYMENT -0.263827 -2.162632e-01 0.007008 0.006571 4.472136e-01
type_TRANSFER 0.847525 -2.391180e-01 0.019960 0.012131 4.472136e-01
type_CASH_IN -0.387563 -2.161942e-01 0.068103 -0.038309 4.472136e-01
type_DEBIT 0.016236 8.882881e-01 -0.102732 0.007735 4.472136e-01
type_CASH_OUT -0.212370 -2.167128e-01 0.007661 0.011873 4.472136e-01
oldbalanceOrg 0.045042 7.612686e-03 0.000142 -0.701200 4.983592e-13
newbalanceOrig 0.015412 -4.525792e-03 0.000977 0.711645 -5.065791e-13

FIN DE L'ANALYSE MULTIVARIEE

Interprétation de l’ACP avant le feature engineering

Les variables de solde (old/newbalanceOrg/Dest) contribuent fortement aux premières com-
posantes, mais avec des redondances (vecteurs superposés). PCA_0 capture 100% de la vari-
ance (artéfact dû au scaling?), nécessitant une vérification des pré-traitements. La variable
’step’, représentant l’heure de l’opération durant la collecte des données, explique quasi toute
la variance → dominance inutile. Nous pouvons remarquer que les variables initiales apportent
peu d’information sur le fait qu’une opération soit frauduleuse ou non.
3. Feature Engineering
• L’objetcif principal ici c’est de créer des variables dérivées permettant de capter au moins
les anomalies

[9]: # Variables dérivées

## | Vérifie si l'argent est vraiment retiré du compte client. Si 0 →␣
,→anomalie possible. |

data_1["DiffSoldeOrig"] = data_1["oldbalanceOrg"] - data_1["amount"] -␣

,→data_1["newbalanceOrig"]

data_1["DiffSoldeOrig"] = data_1["DiffSoldeOrig"].apply(lambda x: 1 if x != 0␣
,→else 0) # | Si 0 → anomalie possible. |

## | Pareil mais côté bénéficiaire |

data_1["DiffSoldeDest"] = data_1["oldbalanceDest"] + data_1["amount"] -␣
,→data["newbalanceDest"]

data_1["DiffSoldeDest"] = data_1["DiffSoldeDest"].apply(lambda x : 1 if x !=␣

,→0 else 0) # | Si 0 → anomalie possible. |

26
 ## | Montant transféré par rapport au solde initial du client. Un % élevé est␣
,→suspect. |

data_1["PourcentageMontantOrig"] = data_1["amount"] /␣
,→(data_1["oldbalanceOrg"] + 1)

## | 1 si nameOrig == nameDest sinon 0 | Transaction entre le même compte :␣

,→peut être une fraude déguisée. |

data_1["isSameAccount"] = data_1["nameOrig"] == data_1["nameDest"]

data_1["isSameAccount"] = data_1["isSameAccount"].apply(lambda x : 1 if x ==␣
,→True else 0) # | 1 si nameOrig == nameDest sinon 0 | Transaction entre le␣

,→même compte : peut être une fraude déguisée. |

## | activitéAnormale | 1 si (DiffSoldeOrig 0 OU DiffSoldeDest 0) sinon 0 |␣

,→Comportement suspect basé sur les incohérences des soldes. |

data_1["activiteAnormale"] = data_1["DiffSoldeOrig"] + data_1["DiffSoldeDest"]

data_1["step_day"] = [Link](data_1["step"]/24).astype(int)

# Suppression des variables inutiles

data_1.drop(columns=["step","isFlaggedFraud","nameOrig","nameDest"],␣
,→inplace=True)

# Conversiond des variables en catégories

var_categorielle = ["isFraud", "DiffSoldeOrig", "DiffSoldeDest",␣
,→"isSameAccount", "activiteAnormale","type"]

for var in var_categorielle:

data_1[var] = data_1[var].astype("category")

Analyse Univariée & Bivariée après le feature engineering

[22]: # Resultats des analyses
if __name__ == "__main__":
print("\nDÉBUT DE L'ANALYSE UNIVARIÉE\n")
# Instanciation de la classe AnalyseUnivariee
# et lancement de l'analyse univariée
analyse_1 = AnalyseUnivariee(data_1[["DiffSoldeOrig", "DiffSoldeDest",␣
,→"isSameAccount", "activiteAnormale"]])

analyse_2 = BivariateAnalysis(data_1[["DiffSoldeOrig", "DiffSoldeDest",␣

,→"isSameAccount", "activiteAnormale","amount","oldbalanceOrg",␣

,→"newbalanceOrig", "oldbalanceDest", "newbalanceDest","type","isFraud"]])

# Analyses des variables qualitatives

analyse_1.analyser_quali()
analyse_2.BivariateQual()
analyse_2.BivariateQuantQual()

DÉBUT DE L'ANALYSE UNIVARIÉE

27
Statistique descriptive des variables qualitatives :
DiffSoldeOrig DiffSoldeDest isSameAccount activiteAnormale
count 6362620 6362620 6362620 6362620
unique 2 2 1 3
top 1 1 0 2
freq 5413997 4736674 6362620 3910108

28
29
30
## Test du Chi2 entre type et isFraud ##
Association entre type et isFraud, p = 0.0000

## Test du Chi2 entre isFraud et type ##

Association entre isFraud et type, p = 0.0000

Test Kruskal-Wallis entre amount et type :

H = 3906986.68, p = 0.0000 → Association significative

31
Test Kruskal-Wallis entre amount et isFraud :
H = 8273.37, p = 0.0000 → Association significative

Test Kruskal-Wallis entre oldbalanceOrg et type :

H = 1868488.64, p = 0.0000 → Association significative

32
Test Kruskal-Wallis entre oldbalanceOrg et isFraud :
H = 9892.17, p = 0.0000 → Association significative

Test Kruskal-Wallis entre newbalanceOrig et type :

H = 4038804.73, p = 0.0000 → Association significative

33
Test Kruskal-Wallis entre newbalanceOrig et isFraud :
H = 4999.38, p = 0.0000 → Association significative

Test Kruskal-Wallis entre oldbalanceDest et type :

H = 3517554.62, p = 0.0000 → Association significative

34
Test Kruskal-Wallis entre oldbalanceDest et isFraud :
H = 1869.46, p = 0.0000 → Association significative

Test Kruskal-Wallis entre newbalanceDest et type :

H = 4170791.50, p = 0.0000 → Association significative

35
Test Kruskal-Wallis entre newbalanceDest et isFraud :
H = 170.84, p = 0.0000 → Association significative

Interprétations
Ces nouvelles variables comme : DiffSoldeOrig et DiffSoldeDest (qui vérifient si l’argent est vrai-
ment retiré du compte client. Si 0 ,→ anomalie possible.), détectent des anomalies fréquentes,
notamment dans des cas de fraude (ex. : argent "disparaît" ou "apparaît"). La variable is-

36
 SameAccount (qui permet de détecter si le compte de départ est égal au compte d’arrivée) = 0
pour tous : donc pas discriminant ici.
activiteAnormale → valeur 2 indique une double anomalie (origine + destination), très utile.
Ces variables renforcent le signal de comportements soupçonnés frauduleux.
4.2. Analyse Multivariée après le Feature Engineering
• Encodage
• Normalisation
• Définition du target et des features
• Instanciation de PCA

[10]: # Encoding des variables catégorielles

df_demmies = pd.get_dummies(data_1[["type"]], prefix=["type"],␣
,→prefix_sep="_", dtype=int)

df = [Link]([data_1,df_demmies], axis=1)
[Link](columns=["type"], inplace = True)

# Normalisation des varaibles

df[[
'amount','oldbalanceOrg', 'newbalanceOrig',
'oldbalanceDest', 'newbalanceDest','step_day']] =␣
,→(df[['amount','oldbalanceOrg', 'newbalanceOrig','oldbalanceDest',␣

,→'newbalanceDest','step_day']] - df[['amount','oldbalanceOrg',␣

,→'newbalanceOrig','oldbalanceDest', 'newbalanceDest',

'step_day']].mean())/df[['amount','oldbalanceOrg',␣
,→'newbalanceOrig','oldbalanceDest', 'newbalanceDest','step_day']].std()

df_vf = [Link]()

[13]: an_after = MultivariateAnalyser(df_vf)

an_after.lancer_analyse()

--Analyse Multivariée --

37
-- Les Composants Principaux --

Dimension Valeur propre Taux_variance Taux_variance_cum

0 PCA_0 2.584952e+11 1.0 1.0
1 PCA_1 2.147000e+00 0.0 1.0
2 PCA_2 1.676000e+00 0.0 1.0
3 PCA_3 1.000000e+00 0.0 1.0
4 PCA_4 5.200000e-01 0.0 1.0
5 PCA_5 3.620000e-01 0.0 1.0
6 PCA_6 3.000000e-01 0.0 1.0
7 PCA_7 1.460000e-01 0.0 1.0
8 PCA_8 1.070000e-01 0.0 1.0
9 PCA_9 6.200000e-02 0.0 1.0
10 PCA_10 8.000000e-03 0.0 1.0
11 PCA_11 7.000000e-03 0.0 1.0
12 PCA_12 1.000000e-03 0.0 1.0
13 PCA_13 0.000000e+00 0.0 1.0
14 PCA_14 0.000000e+00 0.0 1.0
15 PCA_15 0.000000e+00 0.0 1.0

-- Influence de chaque variable dans les composants --

PCA_1 PCA_2 PCA_3 \
PourcentageMontantOrig 1.000000e+00 -2.979783e-07 -1.122062e-06

38
amount 1.607082e-06 4.219399e-02 6.515435e-02
newbalanceDest 8.605063e-07 2.231253e-01 6.430570e-01
oldbalanceDest 6.054529e-07 2.463096e-01 6.727538e-01
type_TRANSFER 1.374247e-07 -8.152279e-03 2.428221e-02
DiffSoldeOrig 4.076303e-08 4.004814e-02 1.749633e-02
step_day 2.695479e-08 -4.222665e-03 5.271563e-02
type_CASH_OUT 9.167774e-09 -6.401319e-02 8.339555e-02
isSameAccount 0.000000e+00 0.000000e+00 -4.336809e-19
type_DEBIT -1.756655e-09 -1.142765e-03 1.383769e-03
activiteAnormale -2.757388e-08 9.262916e-02 -4.443263e-02
type_CASH_IN -5.863893e-08 1.602958e-01 -4.004766e-02
DiffSoldeDest -6.833692e-08 5.258101e-02 -6.192896e-02
oldbalanceOrg -7.893704e-08 6.463769e-01 -2.310380e-01
newbalanceOrig -7.981877e-08 6.477419e-01 -2.311900e-01
type_PAYMENT -8.619693e-08 -8.698759e-02 -6.901387e-02

PCA_4 PCA_5 PCA_6 \

PourcentageMontantOrig 8.515715e-09 2.214863e-07 -1.206699e-06
amount 1.083838e-02 -1.447630e-01 7.732642e-01
newbalanceDest -3.537313e-02 4.759671e-02 3.080972e-03
oldbalanceDest -3.538381e-02 8.833983e-02 -1.419272e-01
type_TRANSFER 5.794658e-04 -4.012032e-02 1.285490e-01
DiffSoldeOrig -5.442055e-03 2.781569e-02 2.975922e-01
step_day 9.973013e-01 3.697963e-02 3.839538e-03
type_CASH_OUT -9.202003e-03 -4.641098e-01 -6.702067e-05
isSameAccount -0.000000e+00 5.551115e-17 1.665335e-16
type_DEBIT 3.095739e-04 -5.751520e-03 -8.258585e-03
activiteAnormale -3.356419e-02 5.488147e-01 3.321526e-01
type_CASH_IN 4.262732e-03 1.358551e-01 2.092126e-01
DiffSoldeDest -2.812213e-02 5.209990e-01 3.456034e-02
oldbalanceOrg 1.903305e-02 -1.048721e-01 -8.204950e-02
newbalanceOrig 1.844893e-02 -8.791784e-02 -7.868278e-02
type_PAYMENT 4.050231e-03 3.741266e-01 -3.294359e-01

PCA_7 PCA_8 PCA_9 \

PourcentageMontantOrig -8.813593e-07 3.000549e-07 1.111743e-07
amount 5.340445e-01 -1.930527e-01 -1.449007e-01
newbalanceDest 8.330664e-02 -6.111383e-02 -5.068496e-03
oldbalanceDest -3.539092e-02 4.496560e-02 1.523316e-02
type_TRANSFER 1.270417e-01 1.704198e-01 5.178328e-01
DiffSoldeOrig -4.110611e-01 -1.570359e-01 5.137464e-01
step_day -2.592055e-02 -1.398867e-02 -9.837192e-03
type_CASH_OUT -3.921551e-01 -4.789995e-01 -3.712326e-01
isSameAccount -2.220446e-16 -2.255141e-16 -2.775558e-16
type_DEBIT 8.636374e-03 2.430632e-02 -3.122653e-03
activiteAnormale -4.000289e-01 -2.704984e-01 6.675694e-02
type_CASH_IN -1.629102e-01 6.562209e-01 -2.865837e-01
DiffSoldeDest 1.103221e-02 -1.134624e-01 -4.469895e-01
oldbalanceOrg 5.646344e-02 -1.159023e-01 3.534305e-02
newbalanceOrig 3.468043e-02 -6.779664e-02 2.499766e-02
type_PAYMENT 4.193872e-01 -3.719474e-01 1.431061e-01

39
 PCA_10 PCA_11 PCA_12 \
PourcentageMontantOrig 8.334211e-08 -4.122009e-09 1.967199e-08
amount -1.032256e-01 -1.383476e-02 -1.431641e-01
newbalanceDest -3.789028e-03 1.073283e-01 7.147940e-01
oldbalanceDest -1.683341e-02 -1.014861e-01 -6.659168e-01
type_TRANSFER 6.410180e-01 -2.370497e-01 2.529606e-02
DiffSoldeOrig -3.426591e-01 1.947270e-02 1.728121e-03
step_day 1.549176e-02 5.442266e-04 2.523842e-03
type_CASH_OUT 8.025424e-02 -2.137766e-01 1.007356e-02
isSameAccount 2.220446e-16 -7.910339e-16 9.992007e-16
type_DEBIT 1.559426e-02 8.840285e-01 -1.320504e-01
activiteAnormale 7.418193e-02 1.616893e-02 -6.649165e-03
type_CASH_IN -3.372730e-01 -2.223210e-01 8.083643e-02
DiffSoldeDest 4.168410e-01 -3.303769e-03 -8.377287e-03
oldbalanceOrg 3.316732e-02 5.911184e-03 -3.930155e-03
newbalanceOrig 4.001879e-03 -2.474776e-03 4.990598e-03
type_PAYMENT -3.995935e-01 -2.108812e-01 1.584434e-02

PCA_13 PCA_14 PCA_15 PCA_16

PourcentageMontantOrig -2.040861e-08 4.004389e-18 -4.775073e-17 1.391540e-17
amount 1.230320e-02 -2.402625e-12 2.865067e-11 -8.349182e-12
newbalanceDest -1.365884e-03 2.091949e-13 -2.447885e-12 7.128204e-13
oldbalanceDest 3.875573e-04 -2.716058e-14 2.765272e-13 -8.011291e-14
type_TRANSFER 1.180055e-02 3.446917e-02 4.284263e-01 -1.235425e-01
DiffSoldeOrig -5.280230e-03 5.755395e-01 -3.986948e-02 2.231809e-02
step_day 2.809075e-04 -5.834730e-14 6.188866e-13 -1.803849e-13
type_CASH_OUT 1.350673e-02 3.446917e-02 4.284263e-01 -1.235425e-01
isSameAccount -4.195949e-14 -1.795546e-02 2.783625e-01 9.603082e-01
type_DEBIT 5.776088e-03 3.446917e-02 4.284263e-01 -1.235425e-01
activiteAnormale -2.284983e-03 -5.755395e-01 3.986948e-02 -2.231809e-02
type_CASH_IN -3.803542e-02 3.446917e-02 4.284263e-01 -1.235425e-01
DiffSoldeDest 2.995248e-03 5.755395e-01 -3.986948e-02 2.231809e-02
oldbalanceOrg -7.012166e-01 1.379069e-10 -1.645968e-09 4.796614e-10
newbalanceOrig 7.115122e-01 -1.397585e-10 1.668058e-09 -4.860987e-10
type_PAYMENT 6.952047e-03 3.446917e-02 4.284263e-01 -1.235425e-01

FIN DE L'ANALYSE MULTIVARIEE

Interprétation des résultats

Les nouvelles variables DiffSoldeOrig, PourcentageMontantOrig, activiteAnormale répartissent
mieux la variance, apparaissent donc comme contributives (visibles dans le cercle de corrélation),
confirmant leur pertinence. → information mieux structurée. Les nouvelles variables dérivées
révèlent une structure utile. PCA améliorée: Meilleure répartition de la variance sur plusieurs
composantes, mais toujours dominée par quelques-unes (PCA_0 à PCA_2).
XGBoost peut exploiter ces non-linéarités mieux que des modèles linéaires classiques.

40
 Instancier le modèle
[11]: # Définition du train et test
features = df_vf.drop(columns="isFraud")
target = df_vf["isFraud"]
X_train,X_test, y_train, y_test = train_test_split(features,target,␣
,→train_size=0.3, random_state=42)

[15]: # Instancier le modèle

model_xgb = XGBClassifier(
n_estimators = 100,
n_jobs = -1,
learning_rate = 0.1,
max_depth = 6,
subsample = 0.8,
enable_categorical = True)
# Entrainement du modèle
model_xgb.fit(X_train,y_train)

# Prediction du modèle
y_pred = model_xgb.predict(X_test)

[4]: def EvalutionModele(y_true, y_pred):

# Matrice de confusion
print(f"\n La matrice de confusion \n")
matrice_confusion = tabulate([Link](
confusion_matrix(y_true=y_true, y_pred=y_pred)),
headers=["Faux Negatif", "Vraie Negatif"],tablefmt = "rounded_grid")
print(matrice_confusion)

# Rapport d'évaluation du modèle

print(f"\n Les indicateurs de performances \n")
print(classification_report(y_test, y_pred))

41
 Pipeline du Modèle

[12]: # Définition du train et test

X = data_1.drop(columns="isFraud")
y = data_1["isFraud"]
X_train,X_test, y_train, y_test = train_test_split(X,y, train_size=0.3,␣
,→random_state=42)

# Pretraitement des données

preprocessing = ColumnTransformer([
("cat",OneHotEncoder(handle_unknown='ignore'),['type']),
("norm", StandardScaler(),['amount','oldbalanceOrg',␣
,→'newbalanceOrig','oldbalanceDest', 'newbalanceDest','step_day'])

],remainder='passthrough')

# Inplementation du pipeline
pipe_xgboost = Pipeline([
('prepros', preprocessing),
('model',XGBClassifier(
n_estimators = 100,
n_jobs = -1,
learning_rate = 0.1,
max_depth = 6,
subsample = 0.8,
enable_categorical = True))
])

# Entraitement final
pipe_xgboost.fit(X_train, y_train)

[12]: Pipeline(steps=[('prepros',
ColumnTransformer(remainder='passthrough',
transformers=[('cat',
OneHotEncoder(handle_unknown='ignore'),
['type']),
('norm', StandardScaler(),
['amount', 'oldbalanceOrg',
'newbalanceOrig',
'oldbalanceDest',
'newbalanceDest',
'step_day'])])),
('model',
XGBClassifier(base_score=None, booster=None, callbacks=None,
colsample_bylevel=None, col...
feature_types=None, gamma=None,␣
,→grow_policy=None,

importance_type=None,
interaction_constraints=None, learning_rate=0.
,→1,

max_bin=None, max_cat_threshold=None,

42
 max_cat_to_onehot=None, max_delta_step=None,
max_depth=6, max_leaves=None,
min_child_weight=None, missing=nan,
monotone_constraints=None, multi_strategy=None,
n_estimators=100, n_jobs=-1,
num_parallel_tree=None, random_state=None,
...))])

[18]: # Prediction du modèle

y_predite = pipe_xgboost.predict(X_test)

[19]: # Evalution du modèle

EvalutionModele(y_test,y_predite)

La matrice de confusion

Faux Negatif Vraie Negatif

0 4.44803e+06 36

1 29 5742

Les indicateurs de performances

precision recall f1-score support

0 1.00 1.00 1.00 4448063

1 0.99 0.99 0.99 5771

accuracy 1.00 4453834

macro avg 1.00 1.00 1.00 4453834
weighted avg 1.00 1.00 1.00 4453834

Interprétation
Malgré le ratio 1:1000, le modèle capture 99% des fraudes sans sacrifier la précision.
L’importance de chaque variables dans le resultat de la prediction du modèle

[13]: # Extraire le preprocessor

preprocessor = pipe_xgboost.named_steps["prepros"]

# Transformer X_test pour qu’il soit numérique

X_transformed = [Link](X_test)

# Utiliser X_transformed sur le modèle XGBoost

model = pipe_xgboost.named_steps["model"]
explainer = [Link](model, X_transformed)

43
shap_values = explainer(X_transformed)
[Link](shap_values[0])

100%|===================| 4453576/4453834 [215:29<00:00]

Interprétation
Les variables telles que type_CASH_IN et type_DEBIT (Feature 11/13) dominent, aligné avec
les résultats ACP.
type_TRANSFER/type_CASH_OUT contribuent significativement (confirmant l’analyse bi-
variée).
Le waterfall plot montre comment chaque feature influence la prédiction pour un
cas individuel, utile pour l’audit

Perspectives
Bien que le modèle prédictif basé sur le machine learning ait montré d’excellentes performances
pour identifier les transactions suspectes individuellement, une prochaine étape incontournable
sera d’aller au-delà des observations isolées, en analysant les relations entre les entités
: comptes, bénéficiaires, transactions récurrentes.
Pour cela, la théorie des graphes s’impose comme une approche stratégique. En représentant
les transactions comme des arêtes reliant des nœuds (comptes émetteurs et récepteurs), il devient
possible de :

44
 • Identifier des comportements collaboratifs suspects (fraude en réseau),
• Détecter des comptes pivot ou transitaires,
• Reconnaître des motifs cycliques ou en étoile, typiques du blanchiment d’argent.
Ainsi, l’intégration d’un moteur d’analyse graphes (avec des outils comme ‘networkx‘, ‘Neo4j‘,
ou ‘GraphSAGE‘) permettrait d’optimiser le système de détection actuel et d’augmenter
encore sa robustesse face à des scénarios de fraude complexes.

45