Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos
La minería de datos y machine learning son herramientas altamente potenciales en la identificación de observaciones inusuales en tendencias de patrones, dado que son un conjunto de técnicas robustas que facilitan la toma de decisión, el proceso knowledge discovery in databases, kdd por sus siglas en...
- Autores:
-
González Martínez, Edwin Fernando
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2018
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/12529
- Acceso en línea:
- http://repository.usta.edu.co/handle/11634/12529
- Palabra clave:
- Statistics
Data Mining
Algorithms
Fraud
Patterns
Credit cards
Machine learning
Estadística
Minería de datos
Algoritmos
Fraude con tarjetas de crédito
Aprendizaje Automático
Patrones
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
SANTTOMAS2_b4420df645f71980ae0a5345faddbcfa |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/12529 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos |
| title |
Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos |
| spellingShingle |
Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos Statistics Data Mining Algorithms Fraud Patterns Credit cards Machine learning Estadística Minería de datos Algoritmos Fraude con tarjetas de crédito Aprendizaje Automático Patrones |
| title_short |
Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos |
| title_full |
Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos |
| title_fullStr |
Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos |
| title_full_unstemmed |
Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos |
| title_sort |
Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos |
| dc.creator.fl_str_mv |
González Martínez, Edwin Fernando |
| dc.contributor.advisor.none.fl_str_mv |
Ortiz Rico, Andrés Felipe |
| dc.contributor.author.none.fl_str_mv |
González Martínez, Edwin Fernando |
| dc.contributor.googlescholar.spa.fl_str_mv |
https://scholar.google.es/citations?user=OuVxcUgAAAAJ&hl=es |
| dc.contributor.cvlac.spa.fl_str_mv |
http://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000650579 |
| dc.subject.keyword.spa.fl_str_mv |
Statistics Data Mining Algorithms Fraud Patterns Credit cards Machine learning |
| topic |
Statistics Data Mining Algorithms Fraud Patterns Credit cards Machine learning Estadística Minería de datos Algoritmos Fraude con tarjetas de crédito Aprendizaje Automático Patrones |
| dc.subject.lemb.spa.fl_str_mv |
Estadística Minería de datos Algoritmos Fraude con tarjetas de crédito |
| dc.subject.proposal.spa.fl_str_mv |
Aprendizaje Automático Patrones |
| description |
La minería de datos y machine learning son herramientas altamente potenciales en la identificación de observaciones inusuales en tendencias de patrones, dado que son un conjunto de técnicas robustas que facilitan la toma de decisión, el proceso knowledge discovery in databases, kdd por sus siglas en inglés, es un campo de la estadística y ciencias de la computación que emplea diversas técnicas y metodologías para el proceso de identificar patrones valiosos en la extracción de la información nueva, útil y novedosa; una de las etapas más importantes es el data mining, donde se realiza la estimación de los parámetros de los modelos probabilísticos como son las redes neuronales, random forest, naive bayes, máquinas de soporte vectorial, modelos lineales generalizados logit, probit y log log; posteriormente serán evaluados y analizados con las métricas de clasificación accuracy, precisión, recall, f beta score y curva roc. El fraude se define como la acción contraria a la verdad y a la rectitud, que perjudica a la persona o entidad contra quien se comete, esto conlleva a pérdidas económicas y problemas legales; hay diferentes tipos de fraude, como son intruso a redes privadas, tarjeta de crédito, telecomunicaciones y lavado de activos. Este trabajo busca comparar la eficiencia de los modelos probabilísticos de la minería de datos, machine learning y los modelos lineales generalizados para ser aplicados a las transacciones con tarjeta de crédito y evaluar con las métricas de clasificación que modelo probabilístico es eficiente en la detección de predecir el fraude. |
| publishDate |
2018 |
| dc.date.accessioned.none.fl_str_mv |
2018-07-30T16:52:57Z |
| dc.date.available.none.fl_str_mv |
2018-07-30T16:52:57Z |
| dc.date.issued.none.fl_str_mv |
2018-06 |
| dc.type.local.spa.fl_str_mv |
Trabajo de grado |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.category.spa.fl_str_mv |
Formación de Recurso Humano para la Ctel: Trabajo de grado de pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
González, E. (2018). Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos. (Trabajo de pregrado). Universidad Santo Tomás. Bogotá, Colombia |
| dc.identifier.uri.none.fl_str_mv |
http://repository.usta.edu.co/handle/11634/12529 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
González, E. (2018). Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos. (Trabajo de pregrado). Universidad Santo Tomás. Bogotá, Colombia reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://repository.usta.edu.co/handle/11634/12529 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Agus Sudjianto, Ming Yuan, Daniel Kern, Sheela Nair, Aijun Zhang & Fernando Cela-Díaz (2010) Statistical Methods for Fighting Financial Crimes. Technometrics, Vol. 52, No. 1 (February 2010) Amat, Joaquín Rodrigo (2017) Árboles de predicción: Bagging, Random Forest, Boosting y C5.0 https: //rpubs.com/Joaquin_AR/255596 Bolton Richard J & Hand David J. (2002) . Statistical Fraud Detection: A Review. Statistical Science, Vol. 17, No. 3 (Aug., 2002), pp. 235-249 Breiman Leo (2001) Random Forests Statistics Department, University of California, Berkeley, CA 94720 Burbidge Robert & Buxton Bernard (2001) An Introduction to Support Vector Machines for Data Mining . Computer Science Dept., UCL, Gower Street, WC1E 6BT, UK Campos Yepes John Jairo (2017) Modelos Apilados y factores que pueden afectar la eficiencia. Universidad Santo Tomás sede Bogotá, Trabajo de Grado Carneiro Nuno, González Carlos & Costa Miguel (2017) A data mining based system for credit-card fraud detection in e-tail . Cordeiro Moutinho Gauss (2013) Modelos Lineales Generalizados y Extensiones. Departamento de Estadística e Informática - UFRPE Falcon Fraud Manager http://www.fico.com/en/products/fico-falcon-fraud-manager Han Jiawei, Kamber Micheline & Pei Jian (2014) Data Mining Concepts and Techniques Third Edition, Elsevier Science, ISBN libro electrónico 9780123814807 Manjarrez Lino (2014). Relaciones Neuronales Para Determinar la Atenuación del Valor de la Aceleración Máxima en Superficie de Sitios en Roca Para Zonas de Subducción. https://www.researchgate.net/publication/315762548 Parra Francisco (2017) Estadística y Machine Learning con R https://rpubs.com/PacoParra/293405 Real Academia Española. Diccionario de la lengua española http://dle.rae.es/?id=IQS313i Rincón Olmos, Jhon Alexander (2017) Comparación de Modelos Apilados Bajo los Esquemas de Redes Neuronales y Árboles de Clasificación. Universidad Santo Tomás Rincón Suárez Luis Francisco (2009) Curso Básico de Modelos Lineales. Universidad Santo Tomás Santamaría Ruiz Wilfredy (2006) . Técnicas de Minería de Datos Aplicadas en la Detección de Fraude : Estado del Arte. https://www.researchgate.net/publication/ 240724702 Sandoval Ricardo (1991). Tarjeta de Crédito Bancaria. Editorial Jurídica de Chile ISBN: 956-10-0917-9 Silvaz Juan Felipe (2010). Minería de datos para la Predicción de Fraudes en Tarjetas de Crédito. Universidad Distrital Francisco José de Caldas, Sede Bogotá. Torgo Luis (2011) Data Mining with R Learning With Case Studies Chapman & Hall / CRC, ISBN 9781439810187 Vila María Sanchéz Daniel & Cerda Luis. (2004) Reglas de Asociación Aplicadas a la Detección de Fraude con Tarjetas de Crédito. XII Congreso Español Sobre Tecnologías y Lógica Fuzzy. Yanchang Zhao, Yonghua Cen, & Justin Cen (2013) Data Mining Applications with R Elsevier Science, ISBN libro electrónico 9780124115200 |
| dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Estadística |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Estadística |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/12529/1/2018edwingonzalez.pdf https://repository.usta.edu.co/bitstream/11634/12529/3/cartadefacultad.pdf https://repository.usta.edu.co/bitstream/11634/12529/4/cartaderechosdeautor.pdf https://repository.usta.edu.co/bitstream/11634/12529/2/license.txt https://repository.usta.edu.co/bitstream/11634/12529/5/2018edwingonzalez.pdf.jpg https://repository.usta.edu.co/bitstream/11634/12529/6/cartadefacultad.pdf.jpg https://repository.usta.edu.co/bitstream/11634/12529/7/cartaderechosdeautor.pdf.jpg |
| bitstream.checksum.fl_str_mv |
7c868d727a626e552e5e39c5b58d0cfa 3ca8eceef787c1833bf222eec46aa50f c122ff1a7203fb5640cc32e1ea90f498 8a4605be74aa9ea9d79846c1fba20a33 fe54d16c2f0a74ef5b7c4049c3a49874 67b09db373e165abd13bd0bbe0f1a637 df5c721144481d47bc636267b6aaad71 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
repositorio@usantotomas.edu.co |
| _version_ |
1782026363604041728 |
| spelling |
Ortiz Rico, Andrés FelipeGonzález Martínez, Edwin Fernandohttps://scholar.google.es/citations?user=OuVxcUgAAAAJ&hl=eshttp://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=00006505792018-07-30T16:52:57Z2018-07-30T16:52:57Z2018-06González, E. (2018). Detección de fraude en tarjetas de crédito mediante técnicas de minería de datos. (Trabajo de pregrado). Universidad Santo Tomás. Bogotá, Colombiahttp://repository.usta.edu.co/handle/11634/12529reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coLa minería de datos y machine learning son herramientas altamente potenciales en la identificación de observaciones inusuales en tendencias de patrones, dado que son un conjunto de técnicas robustas que facilitan la toma de decisión, el proceso knowledge discovery in databases, kdd por sus siglas en inglés, es un campo de la estadística y ciencias de la computación que emplea diversas técnicas y metodologías para el proceso de identificar patrones valiosos en la extracción de la información nueva, útil y novedosa; una de las etapas más importantes es el data mining, donde se realiza la estimación de los parámetros de los modelos probabilísticos como son las redes neuronales, random forest, naive bayes, máquinas de soporte vectorial, modelos lineales generalizados logit, probit y log log; posteriormente serán evaluados y analizados con las métricas de clasificación accuracy, precisión, recall, f beta score y curva roc. El fraude se define como la acción contraria a la verdad y a la rectitud, que perjudica a la persona o entidad contra quien se comete, esto conlleva a pérdidas económicas y problemas legales; hay diferentes tipos de fraude, como son intruso a redes privadas, tarjeta de crédito, telecomunicaciones y lavado de activos. Este trabajo busca comparar la eficiencia de los modelos probabilísticos de la minería de datos, machine learning y los modelos lineales generalizados para ser aplicados a las transacciones con tarjeta de crédito y evaluar con las métricas de clasificación que modelo probabilístico es eficiente en la detección de predecir el fraude.Data mining and machine learning are highly potential tools in the identi_cation of unusual observations in pattern trends, since they are a set of robust techniques that facilitate decision making, the knowledge discovery in databases process, KDD for its acronym in English, is a _eld of statistics and computer science that employs various techniques and methodologies for the process of identifying valuable patterns in the extraction of new, useful and novel information; One of the most important stages is the data mining, where the estimation of the parameters of the probabilistic models such as neural networks, random forest, naive bayes, vectorial support machines, generalized lineal models logit, probit and log log; later they will be evaluated and analyzed with the classi_cation, accuracy, recall, f beta score and roc curve metrics. Fraud is defined as the action contrary to the truth and rectitude, which harms the person or entity against whom it is committed, this leads to economic losses and legal problems. There are different types of fraud, as they are intrusive to private networks, credit card, telecommunications and money laundering. This work seeks to compare the efficiency of the probabilistic models of data mining, machine learning and generalized linear models to be applied to credit card transactions and evaluate with the classi_cation metrics that probabilistic model is efficient in predicting the fraudProfesional en estadísticahttp://unidadinvestigacion.usta.edu.coPregradoapplication/pdfspaUniversidad Santo TomásPregrado EstadísticaFacultad de EstadísticaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Detección de fraude en tarjetas de crédito mediante técnicas de minería de datosStatisticsData MiningAlgorithmsFraudPatternsCredit cardsMachine learningEstadísticaMinería de datosAlgoritmosFraude con tarjetas de créditoAprendizaje AutomáticoPatronesTrabajo de gradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA BogotáAgus Sudjianto, Ming Yuan, Daniel Kern, Sheela Nair, Aijun Zhang & Fernando Cela-Díaz (2010) Statistical Methods for Fighting Financial Crimes. Technometrics, Vol. 52, No. 1 (February 2010)Amat, Joaquín Rodrigo (2017) Árboles de predicción: Bagging, Random Forest, Boosting y C5.0 https: //rpubs.com/Joaquin_AR/255596Bolton Richard J & Hand David J. (2002) . Statistical Fraud Detection: A Review. Statistical Science, Vol. 17, No. 3 (Aug., 2002), pp. 235-249Breiman Leo (2001) Random Forests Statistics Department, University of California, Berkeley, CA 94720Burbidge Robert & Buxton Bernard (2001) An Introduction to Support Vector Machines for Data Mining . Computer Science Dept., UCL, Gower Street, WC1E 6BT, UKCampos Yepes John Jairo (2017) Modelos Apilados y factores que pueden afectar la eficiencia. Universidad Santo Tomás sede Bogotá, Trabajo de GradoCarneiro Nuno, González Carlos & Costa Miguel (2017) A data mining based system for credit-card fraud detection in e-tail .Cordeiro Moutinho Gauss (2013) Modelos Lineales Generalizados y Extensiones. Departamento de Estadística e Informática - UFRPEFalcon Fraud Manager http://www.fico.com/en/products/fico-falcon-fraud-managerHan Jiawei, Kamber Micheline & Pei Jian (2014) Data Mining Concepts and Techniques Third Edition, Elsevier Science, ISBN libro electrónico 9780123814807Manjarrez Lino (2014). Relaciones Neuronales Para Determinar la Atenuación del Valor de la Aceleración Máxima en Superficie de Sitios en Roca Para Zonas de Subducción. https://www.researchgate.net/publication/315762548Parra Francisco (2017) Estadística y Machine Learning con R https://rpubs.com/PacoParra/293405Real Academia Española. Diccionario de la lengua española http://dle.rae.es/?id=IQS313iRincón Olmos, Jhon Alexander (2017) Comparación de Modelos Apilados Bajo los Esquemas de Redes Neuronales y Árboles de Clasificación. Universidad Santo TomásRincón Suárez Luis Francisco (2009) Curso Básico de Modelos Lineales. Universidad Santo TomásSantamaría Ruiz Wilfredy (2006) . Técnicas de Minería de Datos Aplicadas en la Detección de Fraude : Estado del Arte. https://www.researchgate.net/publication/ 240724702Sandoval Ricardo (1991). Tarjeta de Crédito Bancaria. Editorial Jurídica de Chile ISBN: 956-10-0917-9Silvaz Juan Felipe (2010). Minería de datos para la Predicción de Fraudes en Tarjetas de Crédito. Universidad Distrital Francisco José de Caldas, Sede Bogotá.Torgo Luis (2011) Data Mining with R Learning With Case Studies Chapman & Hall / CRC, ISBN 9781439810187Vila María Sanchéz Daniel & Cerda Luis. (2004) Reglas de Asociación Aplicadas a la Detección de Fraude con Tarjetas de Crédito. XII Congreso Español Sobre Tecnologías y Lógica Fuzzy.Yanchang Zhao, Yonghua Cen, & Justin Cen (2013) Data Mining Applications with R Elsevier Science, ISBN libro electrónico 9780124115200ORIGINAL2018edwingonzalez.pdf2018edwingonzalez.pdfapplication/pdf1865761https://repository.usta.edu.co/bitstream/11634/12529/1/2018edwingonzalez.pdf7c868d727a626e552e5e39c5b58d0cfaMD51open accesscartadefacultad.pdfcartadefacultad.pdfapplication/pdf112388https://repository.usta.edu.co/bitstream/11634/12529/3/cartadefacultad.pdf3ca8eceef787c1833bf222eec46aa50fMD53metadata only accesscartaderechosdeautor.pdfcartaderechosdeautor.pdfapplication/pdf327889https://repository.usta.edu.co/bitstream/11634/12529/4/cartaderechosdeautor.pdfc122ff1a7203fb5640cc32e1ea90f498MD54metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.usta.edu.co/bitstream/11634/12529/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52open accessTHUMBNAIL2018edwingonzalez.pdf.jpg2018edwingonzalez.pdf.jpgIM Thumbnailimage/jpeg7291https://repository.usta.edu.co/bitstream/11634/12529/5/2018edwingonzalez.pdf.jpgfe54d16c2f0a74ef5b7c4049c3a49874MD55open accesscartadefacultad.pdf.jpgcartadefacultad.pdf.jpgIM Thumbnailimage/jpeg8752https://repository.usta.edu.co/bitstream/11634/12529/6/cartadefacultad.pdf.jpg67b09db373e165abd13bd0bbe0f1a637MD56open accesscartaderechosdeautor.pdf.jpgcartaderechosdeautor.pdf.jpgIM Thumbnailimage/jpeg7625https://repository.usta.edu.co/bitstream/11634/12529/7/cartaderechosdeautor.pdf.jpgdf5c721144481d47bc636267b6aaad71MD57open access11634/12529oai:repository.usta.edu.co:11634/125292023-02-28 03:16:16.821open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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 |