在一个毕业设计项目中，我使用两个公开数据集训练了六个欺诈检测模型：PaySim（移动货币）和IEEE-CIS（银行卡交易）。尽管取得了高准确率，但由于生产环境的限制，表现最佳的模型并未被部署。部署的模型仅使用三个特征——交易金额、独热编码渠道和源数据集——因为数据集缺乏共同字段。处理类别不平衡需要SMOTE，但部署时使用了回退插值方法。该项目突显了离线指标与真实世界生产决策之间的差距。最佳模型（可能是XGBoost）在实践中被一个泛化能力更好的简单模型所超越。这次经历让我认识到，模型选择必须考虑部署可行性，而不仅仅是性能指标。