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: 2022
• Institución: Universidad Católica San Pablo
• Repositorio: UCSP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsp.edu.pe:20.500.12590/17266
• Enlace del recurso: https://hdl.handle.net/20.500.12590/17266
• Nivel de acceso: acceso abierto
• Materia: Detección de Fraude; Aprendizaje Automático; Máquinas de Vectores de Soporte; Clasificador Bayesiano Ingenuo; Bosques Aleatorios; Red Neuronal; Extreme Gradiente Boost; Métricas de Desempeño; Selección de Parámetros; La prueba de McNemar; 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 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. A continuación se realiza una comparación de estos resultados agregando pruebas estadísticas como t de estudiante para obtener la técnica más adecuada. Finalmente se obtiene la mejor técnica Red Neuronal que por sus resultados es realmente superior a las técnicas restantes.