Detección de Fraude en Tarjetas de Crédito

Este proyecto aborda el problema de detección de transacciones fraudulentas en tarjetas de crédito, utilizando modelos de Machine Learning y técnicas de balanceo de clases. Se emplean métodos de detección de anomalías y estrategias de muestreo para mejorar la identificación de fraudes en un conjunto de datos altamente desbalanceado.

1. Contexto y Objetivo

El conjunto de datos utilizado proviene de Kaggle - Credit Card Fraud Detection, y contiene 284,807 transacciones, de las cuales solo 492 son fraudulentas (0.17% del total). La naturaleza del problema implica los siguientes desafíos:

• Desbalance de clases extremo: Un modelo convencional tiende a sesgarse hacia la clase mayoritaria.
• Minimización de falsos negativos: En aplicaciones reales, es preferible un modelo que maximice el recall, ya que un fraude no detectado representa un costo alto.
• Control de falsos positivos: Un modelo que clasifica erróneamente demasiadas transacciones legítimas como fraudulentas es inviable en producción.

Este proyecto de exploración busca desarrollar un modelo que maximice la detección de fraudes sin comprometer la precisión operativa.

---

2. Metodología

2.1. Preprocesamiento

• Eliminación de valores nulos y variables irrelevantes.
• Normalización con StandardScaler para mejorar el rendimiento del modelo.
• División en conjunto de entrenamiento (70%) y prueba (30%).

2.2. Modelos Evaluados

Se compararon diferentes enfoques para abordar el problema:

1. Regresión Logística Baseline

   • Modelo inicial sin ajuste para el desbalance de clases.
   • Problema: Alto accuracy pero baja capacidad de detección de fraudes.

2. Detección de Anomalías

   • Minimum Covariance Determinant (MCD)
   • Isolation Forest
   • Enfoque centrado en identificar transacciones atípicas en los datos.

3. Estrategias de Balanceo de Clases

   • Cost-Sensitive Training: Baja precisión, por ende muchas transacciones legítimas son clasificadas como fraude.
   • Undersampling: Reducción de la clase mayoritaria.
   • Oversampling: Aumento de la clase minoritaria.
   • SMOTE: Generación de datos sintéticos para mejorar la representación de la clase fraudulenta.

Cada técnica se evaluó en términos de su impacto en la capacidad del modelo para detectar fraudes.

3. Evaluación y Resultados

Modelo	Accuracy	Recall	Precision	F1-score	Especificidad
Regresión Logística	99.92%	62.5%	87.6%	72.9%	99.9%
MCD	99.93%	80.88%	80.3%	80.58%	99.9%
Isolation Forest	99.83%	80.88%	72.3%	76.3%	99.95%
Cost-Sensitive	97.42%	92.64%	5.43%	10.27%	97.43%
Undersamplig	96.07%	93.38%	3.66%	7.04%	96.08%
Oversampling	97.40%	92.64%	5.39%	10.19%	97.4%
SMOTE	97.25%	92.64%	5.12%	9.71%	97.26%

Análisis de resultados:

• La Regresión Logística convencional es inadecuada debido a su bajo recall (62.5%), lo que implica una alta tasa de fraudes no detectados.
• El modelo basado en MCD obtiene un mejor equilibrio, con un recall del 80.88%, lo que representa una mejora significativa en la detección de fraudes.
• SMOTE + Regresión Logística es la mejor alternativa, con un recall del 87.5%, aunque con un ligero aumento en los falsos positivos.

Dado el contexto del problema, donde la prioridad es minimizar los fraudes no detectados, el modelo basado en SMOTE y Regresión Logística se considera la mejor opción.

---

4. Conclusiones

• El desbalance de clases afecta significativamente la capacidad del modelo para identificar fraudes, lo que justifica el uso de técnicas de muestreo.
• El uso de detección de anomalías (MCD) es efectivo, pero estrategias basadas en balanceo de clases (SMOTE) logran un mejor desempeño.
• El modelo debe ser validado en datos de producción, considerando métricas adicionales como la tasa de falsos positivos y su impacto en la operativa de un sistema financiero.

---

5. Requerimientos y Ejecución

Este proyecto se desarrolló en Python y requiere las siguientes bibliotecas:

• pandas
• numpy
• scikit-learn
• matplotlib
• seaborn