Look-up in Google Scholar
Title: Comparación de técnicas de balanceo de datos para la clasificación de fraude en transacciones bancarias
Advisor(s): Vásquez Serpa, Luis Javier
OCDE field: https://purl.org/pe-repo/ocde/ford#1.02.01; https://purl.org/pe-repo/ocde/ford#1.02.02
Issue Date: 2023
Institution: Universidad Nacional Mayor de San Marcos
Abstract: Compara técnicas de balanceo de datos entrenando un algoritmo específico de Machine Learning, a fin de determinar cuál modelo obtiene la mayor puntuación en las métricas de evaluación de modelos de clasificación de fraude en transacciones bancarias Para llevar a cabo esta evaluación, se implementan tres técnicas de balanceo de datos: Oversampling, Undersampling y SMOTE, en conjunción con el algoritmo de redes neuronales profundas (Deep Neural Network), utilizando datos sintéticos generados por PaySim. Este conjunto de datos simulados emula transacciones bancarias basadas en una muestra de registros financieros existentes extraídos de un mes de operaciones de un servicio de dinero móvil desplegado en un país africano. Todo este análisis y modelado se realizó haciendo uso del lenguaje de programación de Python ejecutado en Colab PRO. Esta elección del entorno Python permitió la implementación y el entrenamiento de modelos de redes neuronales profundas en un entorno flexible y accesible. El enfoque de utilizar datos sintéticos basados en el mundo real y aplicar técnicas avanzadas de aprendizaje automático subraya la relevancia de abordar el desafío de desequilibrio en conjuntos de datos para mejorar la precisión y confiabilidad de los resultados en aplicaciones financieras y más allá.
Discipline: Computación Científica
Grade or title grantor: Universidad Nacional Mayor de San Marcos. Facultad de Ciencias Matemáticas. Escuela Profesional de Computación Científica
Grade or title: Licenciada en Computación Científica
Juror: Alvarez Huertas, Frank Duberlee; Zorrilla Masias, Henry
Register date: 7-Mar-2024



This item is licensed under a Creative Commons License Creative Commons