«No me invitaron a la boda de mi cuñada»: una historia que no puedo olvidar después de cuatro años
Ahora, todos llevamos una vida entera en el teléfono—cientos, miles de fotos: viajes, fiestas, días cotidianos. Hace poco, mi marido y yo decidimos organizar nuestros álbumes, clasificarlos, ponerles nombres. Algo normal, hasta que me encontré con una imagen y el corazón se me encogió. En la pantalla, mi marido, sonriente, elegante, con una copa de cava… en la boda de su hermana. Solo. Sin mí. Y aunque han pasado cuatro años, sentí lo mismo que aquella noche: como si no importara, como una extraña, borrada de un plumazo.
Acabábamos de casarnos entonces. Después de cinco años juntos, lo hicimos con sencillez, sin gran fiesta, pero con mucho amor. Sabía que su familia era numerosa, algunos ni los conocía en persona. Pero con los más cercanos—sus padres, la abuela y sus dos hermanas—me había relacionado. No éramos íntimos, solo celebraciones y conversaciones neutras en la mesa. La única con quien conecté fue mi suegra. Ella llamaba de vez en cuando, me invitaba a tomar café.
Unos meses después de nuestra boda, supimos que la hermana mayor de mi marido también se casaba. Mi suegra me lo contó y mencionó que debíamos pensar en un regalo. Decidimos darle un sobre con dinero, como es costumbre. Sabíamos todo de los preparativos: el restaurante reservado, el vestido elegido, las invitaciones impresas, incluso los detalles para los invitados. «Pronto recibiréis vuestra invitación», dijo mi suegra con una sonrisa.
Y llegó. A nombre de mi marido. Solo a él. Yo no aparecía.
La leí diez veces. No había error. Su nombre. Ni mi apellido, ni «y esposa», ni «os esperamos a los dos». Solo él.
Dolió. Mucho. No soy una desconoc# credit-card-fraud-detection
Technologies used :
1. Python
2. Scikit Learn
3. Pandas
4. Imblearn
5. Matplotlib
6. Seaborn
Project Description:
The dataset used here is highly imbalanced, containing a very small proportion of fraud transactions (only 0.172%) when compared to the non-fraud transactions.
As the dataset is highly imbalanced so the following steps have been taken:
1. Exploratory Data Analysis(EDA) has been done.
2. SMOTE technique has been used to balance the dataset.
3. After balancing, 2 models – Logistic Regression and Random Forest Classifier have been fitted to the training data.
4. The results of both the models have been provided.
Future Scope:
1. Other algorithms such as XGBoost and Decision Tree Classifier can be employed.
2. Some optimization techniques can be used to tune the hyperparameters for better accuracy.
3. Some feature engineering techniques can also be applied for better results.
