Detección de Fraude Financiero

El primer paso consiste en configurar el entorno de trabajo, importando librerías esenciales como pandas para la manipulación de datos, numpy para operaciones numéricas, y matplotlib y seaborn para visualización.

Se carga el conjunto de datos de transacciones financieras desde un archivo CSV a un DataFrame de Pandas para su posterior análisis.

import pandas as pd import numpy as np df = pd.read_csv('Financial_Fraud.csv') df.head()

Se preparan los datos para el modelado. Las transacciones de tipo CASH_IN no presentan fraude, por lo que se pueden descartar para simplificar el modelo.

• Codificación de variables: La variable categórica type se convierte a formato numérico mediante One-Hot Encoding.
• Creación de nuevas características: Se diseñan variables como hour (hora del día) y day (día de la semana) a partir de la columna step para capturar patrones temporales.

Se realiza un análisis profundo para entender la naturaleza de los datos. Esto incluye:

• Análisis de la variable objetivo: Se estudia la distribución de la variable isFraud para identificar el desbalance de clases, un problema común en la detección de fraude.
• Correlación: Se analiza la relación entre las variables numéricas para detectar posibles multicolinealidades.
• Distribución por tipo de transacción: Se visualiza cómo se distribuyen las transacciones fraudulentas y no fraudulentas entre los diferentes tipos (CASH_OUT, PAYMENT, etc.).

Visualización del balanceo de clases de fraude.

Se seleccionan las características más relevantes y se dividen los datos en conjuntos de entrenamiento y prueba.

1. Balanceo de datos: Dado el fuerte desbalance, se aplica la técnica SMOTE (Synthetic Minority Over-sampling Technique) al conjunto de entrenamiento para crear un set de datos balanceado.
2. Entrenamiento de modelos: Se entrenan y comparan varios algoritmos de clasificación, como Regresión Logística y XGBoost, conocidos por su buen rendimiento en este tipo de problemas.

Los modelos se evalúan en el conjunto de prueba utilizando métricas clave para clasificación balanceada: Precision, Recall, F1-Score y la matriz de confusión.

El objetivo es maximizar el Recall (la capacidad de detectar fraudes reales) manteniendo una Precision aceptable para no generar demasiadas falsas alarmas.

Conclusión: El modelo XGBoost demostró un rendimiento superior, logrando un excelente equilibrio entre la detección de transacciones fraudulentas y la minimización de falsos positivos, convirtiéndolo en la elección final para la implementación.