Comparación de algoritmos de machine learning para clasificar opiniones de usuarios acerca de publicaciones hechas por bancos de Perú sobre phishing

• Autor: Temoche Salinas, Adrian Alonso
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad de Lima
• Repositorio: ULIMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ulima.edu.pe:20.500.12724/21106
• Enlace del recurso: https://hdl.handle.net/20.500.12724/21106
• Nivel de acceso: acceso abierto
• Materia: Aprenizaje automático; Algoritmos computacionales.; Machine learning; Computer algorithms; https://purl.org/pe-repo/ocde/ford#2.02.04

A nivel mundial el phishing en los últimos años se ha incrementado y el Perú no fue una excepción. Debido a la pandemia del Covid-19 se registró un aumento considerable de este tipo de ciberataques llamado phishing; entre los motivos de su crecimiento se encuentra la cuarentena. Este tipo de ataques suele afectar de manera negativa a los usuarios de internet y mucho más a las empresas, siendo uno de los ataques más frecuentes el phishing. Por ejemplo, en las noticias como en redes sociales se puede observar cómo los bancos o plataformas de pago advierten a sus usuarios sobre estos ataques para que estén atentos, al igual que se puede observar el malestar de los usuarios cuando publican o comentan en las redes sociales que han sido víctima de dichos ataques. Por este motivo, este trabajo busca identificar de manera correcta las opiniones de las personas acerca de publicaciones hechas por bancos de Perú sobre phishing, clasificando su opinión como positiva o negativa. Se utiliza procesamiento de lenguaje natural (PLN) y análisis de sentimiento para procesar el texto, con los algoritmos de Naive Bayes, Random Forest y Support Vector Machine (SVM) en el caso de machine learning y con el transformador BERT en el caso de deep learning, con el fin de conocer cuál de los cuatro algoritmos tiene mejores resultados. La metodología usada consiste en 5 pasos desde la búsqueda y creación del dataset, pasando por la etapa de preprocesamiento, entrenamiento, pruebas y finalizando en la evaluación de los resultados. De los cuatro algoritmos, BERT obtuvo el mejor resultado con una exactitud de 86.90% seguido de Naive Bayes que fue el que obtuvo un mejor resultado en la validación cruzada con 79.62% de exactitud y en la etapa de prueba con 86% de exactitud entre los tres algoritmos de machine learning. Además, los resultados obtenidos muestran que los tres algoritmos de machine learning tienen un desempeño similar