XAI_AML/outputs/reports/STR_Report.html at main · yelim8902/XAI_AML · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241

<!DOCTYPE html>
<html lang="ko">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>의심거래 분석(STR) 보고서</title>
    <style>
        body {
            font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
            line-height: 1.6;
            max-width: 1200px;
            margin: 0 auto;
            padding: 20px;
            background-color: #f5f5f5;
        }
        .container {
            background: white;
            padding: 40px;
            border-radius: 10px;
            box-shadow: 0 2px 10px rgba(0,0,0,0.1);
        }
        h1 {
            color: #2c3e50;
            border-bottom: 3px solid #3498db;
            padding-bottom: 10px;
            text-align: center;
        }
        h2 {
            color: #34495e;
            border-left: 4px solid #3498db;
            padding-left: 15px;
            margin-top: 30px;
        }
        h3 {
            color: #2c3e50;
            margin-top: 25px;
        }
        h4 {
            color: #34495e;
            background-color: #ecf0f1;
            padding: 10px;
            border-radius: 5px;
            margin-top: 20px;
        }
        .transaction-card {
            background: #f8f9fa;
            border: 1px solid #dee2e6;
            border-radius: 8px;
            padding: 20px;
            margin: 15px 0;
            box-shadow: 0 2px 5px rgba(0,0,0,0.05);
        }
        .feature-list {
            background: #e8f4fd;
            border-radius: 5px;
            padding: 15px;
            margin: 10px 0;
        }
        .feature-item {
            display: flex;
            justify-content: space-between;
            align-items: center;
            padding: 8px 0;
            border-bottom: 1px solid #d1ecf1;
        }
        .feature-item:last-child {
            border-bottom: none;
        }
        .shap-value {
            font-weight: bold;
            color: #e74c3c;
        }
        .raw-value {
            color: #7f8c8d;
            font-size: 0.9em;
        }
        .contribution-positive {
            color: #27ae60;
        }
        .contribution-negative {
            color: #e74c3c;
        }
        .status-correct {
            color: #27ae60;
            font-weight: bold;
        }
        .status-incorrect {
            color: #e74c3c;
            font-weight: bold;
        }
        .performance-summary {
            background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
            color: white;
            padding: 25px;
            border-radius: 10px;
            margin: 20px 0;
        }
        .performance-item {
            display: flex;
            justify-content: space-between;
            margin: 10px 0;
            padding: 8px 0;
            border-bottom: 1px solid rgba(255,255,255,0.2);
        }
        .performance-item:last-child {
            border-bottom: none;
        }
        .shap-importance {
            background: #fff3cd;
            border: 1px solid #ffeaa7;
            border-radius: 5px;
            padding: 15px;
            margin: 15px 0;
        }
        .llm-explanation {
            background: #f1f8e9;
            border: 1px solid #c5e1a5;
            border-radius: 5px;
            padding: 20px;
            margin: 20px 0;
        }
        img {
            max-width: 100%;
            height: auto;
            border-radius: 8px;
            box-shadow: 0 4px 8px rgba(0,0,0,0.1);
            margin: 15px 0;
        }
        .emoji {
            font-size: 1.2em;
        }
        ul {
            padding-left: 20px;
        }
        li {
            margin: 8px 0;
        }
        .footer {
            text-align: center;
            margin-top: 40px;
            padding: 20px;
            background: #ecf0f1;
            border-radius: 8px;
            color: #7f8c8d;
        }
    </style>
</head>
<body>
    <div class="container">
<h1>📄 의심거래 분석(STR) 자동 생성 보고서</h1>
<h2>1. 📊 모델 성능 요약</h2>
<ul>
<li>
<p><strong>사용 모델</strong>: Random Forest (n_estimators=200)</p>
</li>
<li>
<p><strong>정밀도(Precision)</strong>: 0.867</p>
</li>
<li><strong>재현율(Recall)</strong>: 0.951</li>
<li><strong>F1-score</strong>: 0.907</li>
<li><strong>사기 거래 샘플 수</strong>: 4254.0</li>
<li><strong>False Positives</strong>: 622</li>
<li><strong>False Negatives</strong>: 207</li>
<li><strong>모델 임계값</strong>: 0.869</li>
</ul>
<h2>2. 🔍 SHAP 상위 피처 중요도</h2>
<ul>
<li>type_CASH_IN: 174645.327916</li>
<li>amount_to_balance_ratio: 90060.252924</li>
<li>oldbalanceOrg: 40124.634512</li>
<li>hour: 13999.735357</li>
<li>amount: 12021.325500</li>
</ul>
<p><img alt="SHAP Feature Importance" src="../figures/individual_shap_transaction_9770.png" /></p>
<h2>3. 🔍 개별 거래 SHAP 설명</h2>
<h3>주요 거래별 모델 판단 근거</h3>
<h4>거래 #9770 ✅</h4>
<ul>
<li><strong>예측</strong>: 사기</li>
<li><strong>실제</strong>: 사기</li>
<li><strong>판단 정확도</strong>: 정확</li>
<li><strong>주요 판단 근거</strong>:</li>
<li><strong>type_CASH_IN</strong>: -0.3509 (SHAP: +39460.6643) 📈</li>
<li><strong>amount_to_balance_ratio</strong>: -0.1535 (SHAP: +30623.7634) 📈</li>
<li><strong>oldbalanceOrg</strong>: -0.3852 (SHAP: +21934.0272) 📈</li>
</ul>
<p><strong>🤖 AI 해석</strong>: 거래 ID #9770이 사기로 분류된 주요 이유는 SHAP 분석 결과에서 나타난 세 가지 피처의 긍정적인 기여 때문입니다. 특히, type_CASH_IN, amount_to_balance_ratio, oldbalanceOrg의 SHAP 값이 각각 +39460.6643, +30623.7634, +21934.0272로 나타나, 이 거래가 비정상적인 현금 유입과 비율을 보이며, 기존 잔액과의 불일치가 사기 가능성을 높였음을 시사합니다. 이러한 요소들이 결합되어 모델은 이 거래를 사기로 판단했습니다.</p>
<p><img alt="거래 #9770 SHAP 설명" src="../figures/individual_shap_transaction_9770.png" /></p>
<h4>거래 #9771 ✅</h4>
<ul>
<li><strong>예측</strong>: 사기</li>
<li><strong>실제</strong>: 사기</li>
<li><strong>판단 정확도</strong>: 정확</li>
<li><strong>주요 판단 근거</strong>:</li>
<li><strong>type_CASH_IN</strong>: -0.3509 (SHAP: +39464.2281) 📈</li>
<li><strong>amount_to_balance_ratio</strong>: -0.1535 (SHAP: +30702.3924) 📈</li>
<li><strong>oldbalanceOrg</strong>: -0.3852 (SHAP: +18159.8387) 📈</li>
</ul>
<p><strong>🤖 AI 해석</strong>: 거래 ID #9771이 사기로 분류된 주된 이유는 SHAP 분석 결과에서 나타난 세 가지 주요 피처의 긍정적인 기여 때문입니다. 'type_CASH_IN', 'amount_to_balance_ratio', 'oldbalanceOrg'의 SHAP 값이 각각 높은 증가 효과를 보이며, 이는 거래가 비정상적이고 의심스러운 패턴을 나타내고 있음을 시사합니다. 특히, 이러한 피처들은 일반적인 거래와 비교했을 때 비정상적으로 높은 수치를 기록하여 모델이 이 거래를 사기로 판단하는 데 결정적인 역할을 했습니다.</p>
<p><img alt="거래 #9771 SHAP 설명" src="../figures/individual_shap_transaction_9771.png" /></p>
<h4>거래 #22133 ✅</h4>
<ul>
<li><strong>예측</strong>: 사기</li>
<li><strong>실제</strong>: 사기</li>
<li><strong>판단 정확도</strong>: 정확</li>
<li><strong>주요 판단 근거</strong>:</li>
<li><strong>type_CASH_IN</strong>: -0.3509 (SHAP: +68412.7776) 📈</li>
<li><strong>type_PAYMENT</strong>: -0.4503 (SHAP: +53483.5955) 📈</li>
<li><strong>oldbalanceOrg</strong>: -0.0889 (SHAP: -46158.3571) 📉</li>
</ul>
<p><strong>🤖 AI 해석</strong>: 이 거래는 두 가지 주요 피처(type_CASH_IN 및 type_PAYMENT)의 SHAP 값이 매우 높아 사기로 분류되었습니다. 특히, type_CASH_IN과 type_PAYMENT는 각각 +68412.7776과 +53483.5955의 증가 효과를 나타내어 사기 가능성을 높였으며, 반면 oldbalanceOrg는 -46158.3571의 감소 효과를 보여 거래의 신뢰성을 낮추는 역할을 했습니다. 이러한 피처들의 조합으로 인해 모델은 이 거래를 사기로 판단했습니다.</p>
<p><img alt="거래 #22133 SHAP 설명" src="../figures/individual_shap_transaction_22133.png" /></p>
<h2>4. 🤖 SHAP 결과 해석 (LLM 자동 생성)</h2>
<h1>금융 사기 탐지 모델의 SHAP 분석 결과 및 피처 중요도 보고서</h1>
<h2>1. 서론</h2>
<p>본 보고서는 금융 사기 탐지(Fraud Detection System, FDS) 모델의 SHAP (SHapley Additive exPlanations) 분석을 통해 도출된 주요 피처와 그 중요성을 설명합니다. 각 피처의 중요도는 사기 거래를 탐지하는 데 있어 어떤 역할을 하는지, 그리고 특정 거래 패턴에서 값이 높거나 낮을 때 위험도가 어떻게 변화하는지를 다룹니다.</p>
<h2>2. 주요 피처 및 중요도</h2>
<h3>2.1 type_CASH_IN (중요도: 174,600)</h3>
<p><strong>설명:</strong>
'CASH_IN' 거래 유형은 고객이 계좌에 자금을 입금하는 행위를 나타냅니다. 이 피처는 사기 거래에서 특히 중요하게 작용합니다. 사기범들은 종종 대규모 자금을 빠르게 입금한 후, 이를 즉시 인출하는 방식으로 사기를 저지르기 때문입니다.</p>
<p><strong>위험도 증가 패턴:</strong>
- 대규모 현금 입금 후 즉시 인출 시 사기 위험이 증가합니다.
- 비정상적으로 잦은 CASH_IN 거래가 발생할 경우, 사기 가능성이 높아질 수 있습니다.</p>
<h3>2.2 amount_to_balance_ratio (중요도: 90,060)</h3>
<p><strong>설명:</strong>
이 피처는 거래 금액과 계좌 잔액 간의 비율을 나타냅니다. 높은 비율은 고객이 잔액에 비해 비정상적으로 큰 금액을 거래하고 있음을 의미합니다.</p>
<p><strong>위험도 증가 패턴:</strong>
- 잔액에 비해 비정상적으로 큰 거래가 발생할 경우, 사기 가능성이 높아집니다.
- 일반적으로 고객의 거래 패턴과 비교했을 때, 이 비율이 급격히 증가하면 사기 거래로 간주할 수 있습니다.</p>
<h3>2.3 oldbalanceOrg (중요도: 40,120)</h3>
<p><strong>설명:</strong>
'oldbalanceOrg'는 거래 이전의 계좌 잔액을 나타냅니다. 사기 거래는 종종 계좌 잔액이 낮은 상태에서 발생하며, 이는 사기범들이 자금을 빨리 소진하려는 경향</p>
<hr />
<p>보고서 생성 완료 ✅</p>
    </div>
    <div class="footer">
        <p>보고서 생성 완료 ✅ | XAI 시스템</p>
    </div>
</body>
</html>