Fraudes en transacciones con tarjeta de crédito

ANTECEDENTES

TITULO:

En el estudio realizado por Noemi González et al. en 2023, se desarrolló un algoritmo de aprendizaje automático supervisado para detectar y predecir fraudes en transacciones con tarjeta de crédito. Para ello, se utilizó una técnica de clasificación de regresión logística y se validó su efectividad utilizando datos reales de transacciones de tarjetas de crédito. Los resultados mostraron una tasa de precisión del 95% en la detección de fraudes, lo que sugiere que este enfoque podría ser una herramienta útil para prevenir y reducir el fraude en las transacciones de tarjetas de crédito. El algoritmo propuesto podría tener un impacto significativo en la seguridad y la confianza de los clientes en el uso de sus tarjetas de crédito, y podría ser aplicado en la industria financiera para mejorar la prevención del fraude.

El estudio comparativo de técnicas de balanceo de datos en la detección de fraudes en transacciones con tarjeta de crédito, publicado en 2023 por los autores Palak, G., et al evaluaron la efectividad de diferentes técnicas de balanceo de datos en un conjunto de datos desequilibrado. Utilizando técnicas de aprendizaje automático, se encontró que la técnica SMOTE fue la más efectiva en la detección de fraudes. Estos resultados podrían ser aplicados en la prevención y detección de fraudes en la industria de tarjetas de crédito, mejorando la seguridad y confianza de los usuarios.

M J Madhurya et al, durante el año 2022, publicaron el estudio sobre la detección de fraudes en transacciones con tarjeta de crédito utilizando técnicas de aprendizaje automático. El objetivo del estudio fue analizar los datos de transacciones de tarjetas de crédito para identificar patrones y características comunes en las transacciones fraudulentas. Se utilizó una variedad de algoritmos de aprendizaje automático para clasificar transacciones como fraudulentas o no fraudulentas y se compararon los resultados. Los resultados sugieren que las técnicas de aprendizaje supervisado son efectivas en la detección de fraudes en transacciones con tarjeta de crédito, y que los algoritmos de árboles de decisión y SVM fueron los más precisos. En general, el estudio destaca la importancia de utilizar técnicas de aprendizaje automático para la detección de fraudes en transacciones con tarjeta de crédito.

En 2022, los autores M J Madhurya, H L Gururaj, B C Soundarya, K P Vidyashree y A B Rajendra publicaron un estudio sobre la predicción de incumplimientos en tarjetas de crédito utilizando técnicas de análisis de datos y aprendizaje automático. El objetivo del estudio fue desarrollar un modelo de aprendizaje automático que pudiera predecir el incumplimiento en las tarjetas de crédito con una alta precisión. Se recopilaron y analizaron datos históricos de transacciones de tarjetas de crédito y se aplicaron técnicas de aprendizaje automático, incluyendo la regresión logística y los árboles de decisión. Los resultados mostraron que la regresión logística y los árboles de decisión tuvieron un alto rendimiento en la predicción del incumplimiento en las tarjetas de crédito. En conclusión, el estudio demuestra la eficacia de las técnicas de aprendizaje automático en la predicción de incumplimientos en tarjetas de crédito.

los autores K. Samanta, P. Dasgupta y S. Ganguly publicado en 2020, se presentan los objetivos de desarrollar un modelo de detección de fraude en tarjetas de crédito utilizando algoritmos de aprendizaje automático. La metodología utilizada consistió en la recopilación de datos, la preprocesamiento de los mismos y la aplicación de diferentes técnicas de aprendizaje automático para la detección de fraudes. Los resultados muestran que el modelo propuesto tiene una alta precisión en la detección de fraudes en tarjetas de crédito. Las conclusiones sugieren que el modelo podría ser implementado en sistemas de seguridad de transacciones de tarjetas de crédito para mejorar la detección de fraudes y reducir las pérdidas financieras.

En el artículo "Performance Evaluation of Machine Learning Algorithms for Credit Card Fraud Detection" de los autores S. Saha y S. Saha, publicado en 2019, se tiene como objetivo comparar el rendimiento de diversos algoritmos de aprendizaje automático en la detección de fraudes en tarjetas de crédito. Para esto, se utilizó una base de datos con transacciones de tarjetas de crédito y se evaluaron varios modelos de aprendizaje automático. Los resultados mostraron que los modelos basados en árboles de decisión y redes neuronales tuvieron el mejor rendimiento en la detección de fraudes, y se concluyó que estos modelos pueden ser efectivos en la detección de fraudes en transacciones de tarjetas de crédito.

En el artículo "Credit Card Fraud Detection using Machine Learning and Deep Learning", publicado en 2020 por los autores G. Shailaja y G. Pradeep Kumar, se presenta un estudio sobre la detección de fraude en transacciones de tarjetas de crédito utilizando técnicas de aprendizaje automático y aprendizaje profundo. El objetivo principal del estudio es comparar y evaluar el rendimiento de diferentes algoritmos de detección de fraude en una base de datos desbalanceada. Para ello, se implementan diversas técnicas de preprocesamiento y se utilizan algoritmos como Árboles de Decisión, Random Forest, Support Vector Machines, Redes Neuronales y Deep Learning. Los resultados muestran que la técnica de Deep Learning logra la mayor tasa de detección de fraude, superando a los otros algoritmos evaluados. Como conclusión, se destaca la importancia de la implementación de técnicas de aprendizaje profundo en la detección de fraude en transacciones de tarjetas de crédito.

...