Detección de fraudes con algoritmos de machine learning

Abstract

El presente Trabajo de Fin de Grado aborda la detección de fraudes financieros mediante la apli- cación de algoritmos de machine learning. A partir de un conjunto de datos con más de seis millones de transacciones bancarias, se ha desarrollado un estudio comparativo entre dos modelos supervisados: random forest y redes neuronales artificiales. Se ha llevado a cabo un análisis exploratorio y un cuidadoso preprocesamiento de los datos, incluyendo la creación de nuevas variables relevantes y técnicas de normalización. Posterior- mente, ambos modelos fueron entrenados, evaluados y comparados según distintas métricas de rendimiento, como la precisión, el recall, el F1-score y la matriz de confusión.Los resultados obtenidos evidencian que el modelo basado en random forest ofrece un rendimiento más sólido y eficiente, con tiempos de entrenamiento reducidos y una capacidad predictiva supe- rior en la detección de transacciones fraudulentas. Aunque las redes neuronales mostraron ciertas limitaciones en este estudio, especialmente en la identificación de fraudes, se reconoce su potencial en contextos más adecuados desde el punto de vista computacional. Este trabajo pone de manifiesto la utilidad del aprendizaje automático como herramienta para combatir el fraude en tiempo real, aportando soluciones escalables, precisas y adaptables a las necesidades del sector financiero actual.