Análisis comparativo de técnicas de aprendizaje automático para detectar fraude en tarjetas de crédito

Simple item page
dc.contributor.advisorOchoa Luna, Jose Eduardo
dc.contributor.authorTong Chabes, Luis
dc.date.accessioned2022-09-19T17:26:04Z
dc.date.available2022-09-19T17:26:04Z
dc.date.issued2022
dc.description.abstractEste 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.es_PE
dc.description.uriTesises_PE
dc.formatapplication/pdfes_PE
dc.identifier.other1075086
dc.identifier.urihttps://hdl.handle.net/20.500.12590/17266
dc.language.isospaes_PE
dc.publisherUniversidad Católica San Pabloes_PE
dc.publisher.countryPEes_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/es_PE
dc.sourceUniversidad Católica San Pabloes_PE
dc.sourceRepositorio Institucional - UCSPes_PE
dc.subjectDetección de Fraudees_PE
dc.subjectAprendizaje Automáticoes_PE
dc.subjectMáquinas de Vectores de Soportees_PE
dc.subjectClasificador Bayesiano Ingenuoes_PE
dc.subjectBosques Aleatorioses_PE
dc.subjectRed Neuronales_PE
dc.subjectExtreme Gradiente Boostes_PE
dc.subjectMétricas de Desempeñoes_PE
dc.subjectSelección de Parámetroses_PE
dc.subjectLa prueba de McNemares_PE
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#1.02.01es_PE
dc.titleAnálisis comparativo de técnicas de aprendizaje automático para detectar fraude en tarjetas de créditoes_PE
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_PE
renati.advisor.dni29738760
renati.advisor.orcidhttps://orcid.org/0000-0002-8979-3785es_PE
renati.author.dni70359488
renati.discipline611016es_PE
renati.jurorYván Jesús Túpac Valdiviaes_PE
renati.jurorJuan Carlos Gutiérrez Cácereses_PE
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineCiencias de la computaciónes_PE
thesis.degree.grantorUniversidad Católica San Pablo. Departamento de Ciencia de la Computaciónes_PE
thesis.degree.levelTítulo Profesionales_PE
thesis.degree.nameLicenciado en Ciencia de la Computaciónes_PE
thesis.degree.programEscuela Profesional de Ciencia de la Computaciónes_PE
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TONG_CHABES_LUS_AUT.pdf
Size:
942.76 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Tesis - Ciencias de la Computación