{
  "fetched_at": "2026-10-19T11:00:36Z",
  "source_url": "https://www.kaggle.com/competitions/aiffel-ds-3-credit-card-fraud-detection/data",
  "pages": [
    {
      "name": "data-description",
      "content": "2013년 9월 유럽 신용카드 사용자들의 거래 내역을 포함하고 있습니다.\n이 데이터셋은 이틀 간의 거래 내역으로 데이터셋은 크게 불균형하며, 사기 거래(양성 클래스)는 전체 거래의 약 0.17%에 불과합니다.\n\n이 데이터셋은 PCA 변환을 거친 수치형 변수들만 포함하고 있습니다. 안타깝게도 기밀 유지 문제로 인해 원본 특징과 데이터에 대한 자세한 배경 정보는 제공할 수 없습니다. V1, V2, ..., V28은 PCA로 얻은 주성분이며, PCA 변환을 거치지 않은 유일한 특징은 'Time'과 'Amount'입니다. 'Time'은 각 거래와 데이터셋의 첫 거래 사이의 경과 시간(초)을 나타내며, 'Amount'는 거래 금액입니다. 'Amount' 특징은 예시 의존적 비용 민감 학습 등에 사용될 수 있습니다. 'Class'는 응답 변수로, 사기 거래인 경우 1, 그렇지 않은 경우 0의 값을 가집니다.\n\n클래스 불균형 비율을 고려하여, 정밀도-재현율 곡선 아래 영역(AUPRC)을 사용하여 정확도를 측정할 것을 권장합니다. 불균형 분류에서는 혼동 행렬 정확도가 큰 의미가 없습니다.\n\n\n이 데이터셋은 Worldline과 ULB(브뤼셀 자유 대학교) 머신러닝 그룹(http://mlg.ulb.ac.be) 간의 빅데이터 마이닝 및 사기 탐지 관련 연구 협력을 통해 수집 및 분석되었습니다.\n관련 주제에 대한 현재 및 과거 프로젝트에 대한 자세한 내용은 https://www.researchgate.net/project/Fraud-detection-5 및 DefeatFraud 프로젝트 페이지에서 확인할 수 있습니다.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "## 정보 공유 규칙 (Information Sharing Rules)\n- 공개적으로 공유할 정보: Competition에 참가하는 모든 사람이 볼 수 있도록 Code, Discussion 채널에 공개적으로 공유할 것.\n- 비공개 정보: Competition이 끝날 때까지 본인의 팀 내에서만 공유할 것.\n- Kaggle의 모토인 \"함께 공부하고 공유하여 나누자\"를 실천하되, 특정 팀에게만 정보를 공유하는 것은 금지합니다.\n\n\n## 단일 계정 사용 (Single Account Usage)\n- 한 명의 유저는 오직 하나의 계정만 사용해야 합니다.\n- 타인의 계정을 빌려 사용하는 것은 엄격히 금지됩니다.\n\n\n## 라이센스 사용 제한 (License Usage Restrictions)\n- Competition의 데이터셋, 코드, Discussion은 공개적으로 오픈됩니다.\n- Commercial 라이센스를 가진 라이브러리, 코드, 외부 데이터의 사용은 금지합니다.\n- Non-Commercial 및 공개된 외부 데이터와 코드는 사용 가능합니다.\n\n\n## 팀 활동 시 매너 준수 (Manner in Team Activities)\n- Team up 및 팀 활동에서 개인의 역할과 책임을 다해야 합니다.\n- 팀원 간 상호 매너를 잘 지켜주시기 바랍니다.\n\n\n위의 규칙을 준수하여 공정하고 건전한 Competition이 되기를 바랍니다. 모든 참가자의 협조를 부탁드립니다.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "안녕하세요😆 머신러닝 활용 다양한 데이터 다루기!     첫번째 메인 퀘스트인 캐글 신용카드 사기 검출에 오신 여러분 환영합니다! \n\n------\n## Mission\nKaggle의 신용카드 데이터 셋을 활용해서 **신용카드 사기 검출을 분류**하여 고객이 구매하지 않은 상품에 대해 요금이 청구되지 않도록 신용카드 회사가 신용카드 사기 거래를 식별하는 미션을 수행하는 프로젝트입니다. \n\n------\n### [분류] 신용카드 사기 거래를 탐지\n- 예측할 값(y): Class (0:Not fraud, 1:fraud)\n- 평가: ROC-AUC 평가지표\n- 제출 형식 \n        1. Code탭에 New NoteBook으로 새 노트북을 만들어 프로젝트 수행 후 코드 쉐어로 제출\n        2. 예측한 결과물 파일(`.csv`) 메인 우측 상단에 Submit Prediction 버튼을 눌러 제출\n~~~\nid,Class \n0,0.3\n1,0.48\n2,0.3\n3,0.83\n~~~\n\n------\n### 평가지표\n    \n- 데이터 이해 및 탐색\n    - 각 피처에 대한 이해가 명확한가?\n    - 데이터의 분포와 특성을 파악하기 위한 적절한 시각화가 이루어졌는가?    \n    - 데이터에서 유의미한 인사이트를 도출하였는가?(심화)\n    \n- 데이터 전처리 과정\n    - 결측치 처리, 이상치 처리 등 데이터 정제가 적절하게 수행되었는가?\n    - 데이터 스케일링 및 인코딩 등이 적절히 수행되었는가?\n    - 피처 엔지니어링(파생 변수)이 적절하고 창의적으로 이루어졌는가?(심화)\n    \n- 모델 선택 및 비교\n    - 최소 3개 이상의 모델을 비교하고 있는가?\n    - 모델 선택 이유와 각 모델의 특성을 잘 설명하였는가?\n    - 앙상블(모델 3개) 방법을 사용하여, 성능을 비교하였는가? (심화)\n    \n- 성능 평가\n    - 검정 데이터에 대한 평가 지표가 명확하게 제시되었는가?\n    - 평가 지표가 타당하며, 모델 성능을 잘 반영하는가?\n    - 하이퍼파라미터 튜닝(실험)을 진행하고, 결과를 기록했는가?(심화)\n\n------\n### 타임라인\n- 2024년 11월 12일 오전 10시부터 오후 6시까지 \n- 위 마감시간 이후에도 제출할 수 있으나 마감시간까지 제출된 리더보드까지만 순위에서 반영\n\n------\n### 상금\n- 대상: 리더보드 1~3위\n- 제공: 작지만 시원한 선물",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}