Análisis comparativo de técnicas de aprendizaje automático para detectar fraude en tarjetas de crédito

• Autor: Tong Chabes, Luis
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Católica San Pablo
• Repositorio: UCSP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsp.edu.pe:20.500.12590/16166
• Enlace del recurso: https://hdl.handle.net/20.500.12590/16166
• Nivel de acceso: acceso abierto
• Materia: ML Aprendizaje Automático; XgBoost Extreme Gradiente Boost; SVM Máquinas de Vectores de Soporte; BR Regularización Bayesiana; GDA Gradiente de Descenso Adaptativo; NBC Clasificador Bayesiano Ingenuo; KNN K vecinos más cercanos; RF Bosques Aleatorios; ANN Red Neuronal; LR Regresión Logística; TB Impulso del árbol; PCA Análisis de Componentes Principales; TP Verdadero Positivo; TN Verdadero Negativo; FP Falso Positivo; FN Falso Negativo; https://purl.org/pe-repo/ocde/ford#1.02.01

Este estudio resalta la importancia de llevar un control para detectar fraudes en tarjetas de crédito para prevenir diferentes riesgos hacia nuestros bienes. Las técnicas de Aprendizaje Automático han demostrado ser la solución para el aprendizaje supervisado. Este trabajo identifica técnicas como Máquinas de Vectores de Soporte, Clasificador Bayesiano Ingenuo, Bosques Aleatorios, Red Neuronal y Extreme Gradiente Boost como las mejores técnicas según los trabajos relacionados. Este trabajo se enfocó en realizar todo el proceso que aborda un proyecto como este, es decir ingeniería de características, preparar los datos, lidiar con el desbalance de datos, entre otros. Se usó como herramienta de evaluación de rendimiento la validación cruzada k-fold para encontrar la mejor parametrización de cada una de estas técnicas, que son evaluadas con métricas de desempeño como exactitud y puntaje f1. Y finalmente hacer una comparación de estos resultados agregando pruebas estadísticas como t de estudiante para obtener la técnica ganadora.