Resumen

Este artículo presenta un estudio comparativo de algoritmos de aprendizaje automático (K-NN, Naive Bayes y Regresión Logística) para la detección de fraudes con tarjetas de crédito utilizando un conjunto de datos de UCI.com en 2022-23. Abordando el frecuente problema del fraude con tarjetas de crédito, el estudio pretende identificar y comprender los modos empleados habitualmente por los defraudadores, ofreciendo a las instituciones financieras información valiosa para su protección. El análisis revela que la regresión logística logra una precisión de clasificación del 80%, con una precisión del 78%, una recuperación del 100% y una puntuación F1 del 88% para las transacciones fraudulentas. A pesar de la escasa superioridad en precisión, los parámetros de falsos positivos de la regresión logística hacen que K-Nearest Neighbor sea más adecuado para la detección de datos desequilibrados. La investigación subraya la importancia del aprendizaje automático en la automatización de los sistemas de clasificación de fraudes y hace hincapié en la necesidad de una mejora continua, potencialmente mediante la exploración de técnicas de aprendizaje profundo.

1. INTRODUCCIÓN

Las transacciones de comercio electrónico en India están aumentando debido a la mejora del crecimiento financiero por acumulación a la creciente clase media. El Banco Mundial afirma que el 56,5% de los habitantes de la India, es decir, unos 134 millones de personas, pertenecen al grupo de clase media, con un gasto diario de entre 12 y 120 dólares estadounidenses. Este grupo de clase media tiene unos ingresos moderadamente altos, ya que tiene un nivel educativo medio e interactúa constantemente con Internet. La expansión de herramientas y aparatos de comunicación ha chocado con el auge del comercio en línea. En 2009, en India, sólo el 13% de los internautas compraba en línea. Sin embargo, ahora la cifra ha alcanzado el 36 por ciento de los internautas y esta cifra sigue creciendo. Según el exhaustivo estudio de www.statista.com, más del 85 por ciento de los habitantes del mundo han utilizado Internet para comprar [1].

En la India, las redes sociales y las plataformas de comercio electrónico son muy utilizadas (49,2%) para la compra de productos que van desde ropa de moda a electrónica, pasando por la lectura o los artilugios domésticos. Con estas florecientes plataformas de comercio electrónico, se han abierto coyunturas para acciones poco sociales y comportamientos fraudulentos que antes se consideraban inviables. El comportamiento fraudulento es otra cara de la ciberdelincuencia, que incluye todas las acciones y sus modos de operación, llevadas a cabo utilizando la tecnología. Un delito que se produce con mucha frecuencia es el robo de tarjetas de crédito o fraude con tarjetas de crédito o carding. Según [2], el carding es un fraude con tarjeta de crédito si el delincuente conoce la validez del número de la tarjeta de crédito de alguien, entonces realiza una compra en línea y la factura se envía al titular principal de la tarjeta de crédito; al delincuente se le denomina carder. En este delito, el titular de la tarjeta de crédito perderá su dinero porque ha sido utilizado por otra persona.

• Materias:Modelo de regresión Aprendizaje automático Análisis financiero
• Subjects:Regression model Machine learning Financial analysis
• Palabras claves:Naïve Bayes; K Vecinos Más Cercanos; Detección de Fraude; Regresión Logística; Aprendizaje Automático
• Keywords:Naïve Bayes; K Nearest Neighbor; Fraud detection; Logistic regression; Machine learning