# クレジットカード不正検出



--------------------------------------------------------------------------------
title: "はじめに"
description: "クレジットカード不正検出 — Catalyst QuickMLサービスを使用して、クレジットカード取引の不正を検出するための強力なMLパイプラインを作成します。"
last_updated: "2026-10-08T06:48:14.561Z"
source: "https://docs.catalyst.zoho.com/ja/tutorials/credit-card-fraud-detection/introduction/"
service: "All Services"
--------------------------------------------------------------------------------


# クレジットカード不正検出

# はじめに

このチュートリアルでは、Catalyst QuickMLを使用して、クライアントが離脱するかどうかを予測する強力な機械学習モデルを構築する手順をご案内します。

このチュートリアルでは、まずデータセットの前処理を行い、データがきれいでトレーニングに適した状態であることを確認します。次に、データ変換を処理するデータパイプラインを構築し、モデルのトレーニングとテストを行うMLパイプラインを構築します。最後に、トレーニング済みモデルに対してエンドポイントを提供し、外部アプリケーションとの連携やクレジットカード不正検出を可能にします。

クレジットカード不正検出MLモデルは、以下のCatalystサービスを使用して構築します：

**Catalyst QuickML**：このサービスを使用して、まずサンプルデータセットにノード操作を適用し、データパイプラインを構築することで前処理を行います。この前処理済みデータを使用して、MLアルゴリズムを実行し、MLモデルを作成します。最終的に、このクレジットカード不正検出MLモデルは、QuickMLで生成されたエンドポイントURLを通じて外部アプリケーションからアクセスできます。

Catalystコンソールで必要なデータおよびMLパイプラインをすべて作成した後の最終的な出力は、以下のようになります：




--------------------------------------------------------------------------------
title: "前提条件"
description: "クレジットカード不正検出 — Catalyst QuickMLサービスを使用して、クレジットカード取引の不正を検出するための強力なMLパイプラインを作成します。"
last_updated: "2026-10-08T06:48:14.561Z"
source: "https://docs.catalyst.zoho.com/ja/tutorials/credit-card-fraud-detection/prerequisites/"
service: "All Services"
related:
- 機械学習アルゴリズム (/ja/quickml/help/ml-algorithms/classification-algorithms/)

--------------------------------------------------------------------------------


# 前提条件

このチュートリアルではCatalyst QuickMLのみを使用するため、データおよびMLパイプラインの構築、MLモデルの作成、モデルのトレーニングによる予測まで、すべてCatalystコンソール上で作業を行います。チュートリアルを開始する前に、以下のデータセットをダウンロードしてください：

- Fraud_detection

このチュートリアルでは、データセットに対してクリーニング、精製、前処理の操作を実施し、それらを使用してMLモデルをトレーニングすることを目的としています。データセットのCatalyst QuickMLへのアップロードは、本チュートリアルの後続セクションで行います。


--------------------------------------------------------------------------------
title: "プロジェクトの作成"
description: "クレジットカード不正検出 — Catalyst QuickMLサービスを使用して、クレジットカード取引の不正を検出するための強力なMLパイプラインを作成します。"
last_updated: "2026-10-08T06:48:14.561Z"
source: "https://docs.catalyst.zoho.com/ja/tutorials/credit-card-fraud-detection/create-a-project/"
service: "All Services"
related:
- Catalystプロジェクト (/ja/getting-started/catalyst-projects)

--------------------------------------------------------------------------------


# プロジェクトの作成

CatalystコンソールからCatalystプロジェクトを作成しましょう。

1. Catalystコンソールにログインし、Create a new Projectをクリックします。
 <br />

2. 表示されるポップアップウィンドウで、プロジェクト名に「**FraudDetection**」（または任意のプロジェクト名）を入力します。
 <br />

3. Createボタンをクリックします。プロジェクトが作成され、自動的に開きます。後でプロジェクトにアクセスするには、Access Projectボタンをクリックしてください。
<br />


--------------------------------------------------------------------------------
title: "データセットのアップロード"
description: "クレジットカード不正検出 — Catalyst QuickMLサービスを使用して、クレジットカード取引の不正を検出するための強力なMLパイプラインを作成します。"
last_updated: "2026-10-08T06:48:14.561Z"
source: "https://docs.catalyst.zoho.com/ja/tutorials/credit-card-fraud-detection/upload-dataset/"
service: "All Services"
related:
- 最初のパイプラインを作成 (/ja/quickml/help/create-ml-pipeline)

--------------------------------------------------------------------------------


# データセットのアップロード

利用可能なデータセットコネクタを使用して、Catalyst QuickMLにデータセットをアップロードしましょう。

1. Catalystコンソールで QuickML サービスに移動し、Start Exploringをクリックします。
<br />

2. Datasetsコンポーネントに移動し、Import Datasetをクリックします。
<br />

3. Import Datasetのポップアップが表示されます。**Data Sources**ステップで File Upload に移動し、Upload Fileをクリックします。
<br />

先ほどダウンロードした**Fraud_detection**データセットをアップロードします。Quotes Typeを「**Double Quotes(")**」、Escape Characterを「**Backslash(\)**」に設定し、Nextをクリックします。


<br />
データセット名はアップロードされたファイルに基づいて自動的に入力されます。必要に応じて編集し、Uploadをクリックします。

<br />
データセットが正常にアップロードされました。

<br />
データセットは**All Datasets**セクションに表示されます。データセット名をクリックすると、データセットの詳細を確認できます。
<br />

一覧で**Fraud_detection**データセットをクリックすると、**Dataset Details**ページにリダイレクトされ、データセットのプロファイリング、データプレビュー、および可視化チャートを確認できます。
<br />


--------------------------------------------------------------------------------
title: "データパイプラインの作成"
description: "クレジットカード不正検出 — Catalyst QuickMLサービスを使用して、クレジットカード取引の不正を検出するための強力なMLパイプラインを作成します。"
last_updated: "2026-10-08T06:48:14.561Z"
source: "https://docs.catalyst.zoho.com/ja/tutorials/credit-card-fraud-detection/create-data-pipeline/"
service: "All Services"
related:
- データクリーニング (/ja/quickml/help/data-preprocessing/data-cleaning)
- データ変換 (/ja/quickml/help/data-preprocessing/data-transformation)
- データプロファイラーとビューアー (/ja/quickml/help/data-profiler-and-viewer/)

--------------------------------------------------------------------------------


# データパイプラインの作成

データセットのアップロードが完了したので、次にデータセットを使用してデータパイプラインを作成します。

1. 左側メニューの**Datasets**コンポーネントに移動します。データパイプラインを作成するには2つの方法があります：
    - データセットをクリックし、ページ右上のCreate Pipelineをクリックします。
    <br />
    - 下の画像に示すように、データセット名の左側にあるペンアイコンをクリックします。
      <br />

2. パイプライン名を「**Fraud Detection Data Pipeline**」と入力し、Create Pipelineをクリックします。
<br />

以下のスクリーンショットのように、パイプラインビルダーインターフェースが開きます。
<br />

データセットのクリーニング、精製、変換を行い、データパイプラインを実行するために、以下の一連のデータ前処理操作を実施します。各操作には、パイプラインを構成するための個別のデータノードが使用されます。

### QuickMLによるデータ前処理
1. #### カラムの選択/削除
    データセットからカラムを選択または削除することは、データ分析や機械学習における一般的なデータ前処理のステップです。カラムの選択または削除は、分析やモデリングタスクの具体的な目的と要件に応じて判断します。
    このデータセットからモデルトレーニングに不要なカラムは、「**ID**」、「**trans_date_trans_time**」、「**cc_num**」、「**Merchant**」、「**First**」、「**Last**」、「**Street**」、「**City**」、「**Zip**」、「**Lat**」、「**Long**」、「**job**」、「**dob**」、「**Trans_num**」、「**Unix_Time**」、「**merch_lat**」、「**merch_long**」です。QuickMLを使用すると、**Data Cleaning**コンポーネントの**Select/Drop**ノードを使用して、モデルトレーニングに必要なフィールドをデータセットからすばやく選択できます。
    <br />

2. #### データのフィルタリング
    データセットのフィルタリングとは、特定の基準や条件を満たすDataFrameの行のサブセットを選択することを指します。ここでは、Data Cleaningセッションの[Filter](http://localhost:1313/ja/quickml/help/data-preprocessing/data-cleaning/#filter)ノードを使用して、「**state**」カラムの値が空でないものをフィルタリングします。
    <br />

3. #### 保存と実行
    次に、Filter [ノード](http://localhost:1313/ja/quickml/help/data-preprocessing/data-cleaning/#filter)をDestinationノードに接続します。すべてのノードが接続されたら、Saveボタンをクリックしてパイプラインを保存します。次に、Executeボタンをクリックしてパイプラインを実行します。
    <br />

以下のページにリダイレクトされ、実行ステータス付きの実行済みパイプラインが表示されます。パイプラインの実行が成功したことが確認できます。

<br />

Execution Statsをクリックすると、以下のようにコンピュート使用量の詳細を確認できます。

<br />

このパートでは、QuickMLを使用したデータ処理方法を確認しました。機械学習モデルの作成に向けてデータを準備するためのさまざまな効果的な方法を提供しています。このデータパイプラインは、Catalystプロジェクト内のさまざまなユースケースに対応する複数のML実験の作成に再利用できます。


--------------------------------------------------------------------------------
title: "MLパイプラインの作成"
description: "クレジットカード不正検出 — Catalyst QuickMLサービスを使用して、クレジットカード取引の不正を検出するための強力なMLパイプラインを作成します。"
last_updated: "2026-10-08T06:48:14.562Z"
source: "https://docs.catalyst.zoho.com/ja/tutorials/credit-card-fraud-detection/create-ml-pipeline/"
service: "All Services"
related:
- QuickMLのMLアルゴリズム (/ja/quickml/help/ml-algorithms/classification-algorithms)
- QuickMLでの操作 (/ja/quickml/help/operations-in-quickml/encoding)

--------------------------------------------------------------------------------


# MLパイプラインの作成

予測モデルを構築するために、前処理済みデータセットをMLパイプラインビルダーで使用します。MLパイプラインの構築における最初のステップは、予測対象のカラムである**ターゲットカラム**を選択することです。

MLパイプラインを作成するには、まず**Pipelines**コンポーネントに移動し、Create Pipelineオプションをクリックします。
<br />

表示されるポップアップで、パイプラインタイプとして**Prediction**を選択し、パイプライン名を入力します。ここではパイプライン名を**Fraud Detection ML pipeline**、モデル名を**Fraud Detection ML pipeline Model**とします。次に、適切なデータセットとターゲットのカラム名を選択します。
<br />

データパイプラインの構築用に選択したソースデータセットを選択する必要があります。前処理済みデータはソースデータセットに反映されているためです。今回のケースでは、前処理とクリーニング用に選択した**Fraud Detection Dataset**をインポートし、ターゲットは**is_fraud**という名前のカラムです。

1. ### カラムの正規化
    特徴量「**amt**」、「**city_pop**」、「**age**」の値はさまざまな範囲にあるため、[Mean-Std Normalization](/ja/quickml/help/operations-in-quickml/normalization/#mean-std-normalization)コンポーネントを使用して、特徴量の値を一般的に**0**から**1**の範囲に縮小します。**ML operations->Normalization**に移動します。Mean-Std NormalizationノードをMLパイプラインビルダーインターフェースにドラッグ＆ドロップします。右側パネルの設定ボックスで、「**is_fraud**」以外のすべてのカラムを選択し、Saveをクリックします。
    <br />

2. ### カテゴリカラムのエンコーディング
      エンコーダーは、カテゴリカルデータや非数値データを機械学習アルゴリズムが効果的に処理できる数値形式に変換するために、さまざまなデータ前処理や機械学習タスクで使用されます。

    - #### One-hotエンコーダー
      One-hotエンコーディングは、通常、データセットのカテゴリカラムに適用されます。各カテゴリは個別のクラスまたはグループを表します。この方法では、一意のカテゴリごとに新しいバイナリカラムが作成されるため、データセットの次元数が増加します。バイナリカラムの数は、一意のカテゴリ数から1を引いた数に等しくなります。他のすべてのカテゴリが存在しないことから、最後のカテゴリの存在を推測できるためです。

      ここでは、One-Hot Encoder ノードを使用して、「**category**」、「**gender**」、「**state**」のカラムをエンコードします。QuickMLでML operationsに移動し、**Encoding**コンポーネントを選択し、**One-Hot Encoder**を選択して、選択したカテゴリカラムを数値カラムに変換します。

      <br />

      

3. ### MLアルゴリズム：
	MLパイプライン構築の次のステップは、前処理済みデータのトレーニングに適切なアルゴリズムを選択することです。ここでは、XGBoost分類アルゴリズムを使用してデータをトレーニングします。

	**XGBoost**（Extreme Gradient Boosting）は、分類タスクに広く使用されている人気のある強力な機械学習アルゴリズムです。複数の決定木の予測を組み合わせて強力な予測モデルを作成するアンサンブル学習手法です。XGBoostは、その速度、スケーラビリティ、複雑なデータセットを処理する能力で知られています。\
  QuickMLのMLパイプラインビルダーで、**ML operations**からXGBoost Classificationノードをドラッグ＆ドロップして、XGBoost分類手法をすばやく構築できます。**Algorithm**を選択し、**Classification**をクリックし、**XGBoost Classification**を選択します。\
  特定のデータセットに最適化するためにチューニングパラメータを調整することもできます。今回のケースでは、デフォルト設定のままで問題ありません。すべての設定が完了したら、パイプラインを保存してさらなるテストとデプロイに備えます。
  <br />
アルゴリズムノードをドラッグ＆ドロップすると、その終端ノードが自動的にDestinationノードに接続されます。Saveをクリックしてパイプラインを保存し、パイプラインビルダーページの右上にあるExecuteボタンをクリックしてパイプラインを実行します。
以下のページにリダイレクトされ、実行ステータス付きの実行済みパイプラインが表示されます。パイプラインの実行が成功したことが明確に確認できます。
<br />
Execution Statsをクリックすると、モデル実行の各ステージに関するコンピュートの詳細を確認できます。
<br />
MLワークフローが正常に完了すると、予測モデルが作成され、Modelセクション（**Fraud Detection ML pipeline model**をクリック）で確認できます。
<br />
これにより、データに基づいて予測を行う際のモデルの効率性とパフォーマンスに関する有用な知見が得られます。
<br />


--------------------------------------------------------------------------------
title: "エンドポイントの作成"
description: "クレジットカード不正検出 — Catalyst QuickMLサービスを使用して、クレジットカード取引の不正を検出するための強力なMLパイプラインを作成します。"
last_updated: "2026-10-08T06:48:14.562Z"
source: "https://docs.catalyst.zoho.com/ja/tutorials/credit-card-fraud-detection/create-endpoint/"
service: "All Services"
related:
- パイプラインエンドポイント (/ja/quickml/help/pipeline-endpoints)

--------------------------------------------------------------------------------


# エンドポイントの作成

上記のDeal Predictionモデルに対してエンドポイントを作成し、外部アプリケーションがモデルとシームレスに連携して予測を取得できるようにします。

1. 左側メニューの**Endpoints**コンポーネントに移動し、Create Endpointをクリックします。
<br />

2. **Endpoint Name**フィールドにエンドポイント名を入力します（ここでは**Fraud Detection**とします）。次に、Choose Modelフィールドのドロップダウンからモデルパイプライン名を選択し、Create Endpointをクリックします。
<br />

3. エンドポイントが作成されると、以下のようにエンドポイントの詳細ページが表示されます。Requestカラムにサンプルリクエストを入力し、Get Resultボタンをクリックすることでモデルをテストできます。Responseカラムに予測値が生成されます。
<br />

4. Publishをクリックし、エンドポイントURLを使用してMLモデルを他のアプリケーションと統合します。
<br />

Note : パイプライン認証を実装するには、こちらのドキュメントもご確認ください。これにより、エンドポイント、MLモデル、およびデータセットへの安全なアクセスが確保されます。