Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero
- Autores
- Chambi Condori, Pedro Pablo; Saravia Ticona, Telma Raquel
- Año de publicación
- 2025
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión aceptada
- Descripción
- El fraude financiero se ha convertido en una amenaza cada vez más seria para las instituciones y los usuarios en el mundo digital. Este estudio tiene como objetivo principal evaluar diferentes modelos de machine learning que se utilizan para detectar el fraude financiero, comparando su efectividad, precisión y capacidad de generalización. Se examinaron algoritmos supervisados como la regresión logística, los árboles de decisión, el randomforest y las máquinas de soporte vectorial, además de técnicas más avanzadas como XGBoost y redes neuronales. La evaluación se realizó utilizando métricas como la exactitud, precisión, recall y AUC-ROC, empleando conjuntos de datos reales y desbalanceados. Los resultados esperados mostraron que los modelos de Regresión Logística, Random Forest y la Red Neuronal tuvieron un rendimiento prometedor, cada uno destacando en diferentes aspectos de Precisión y Recall. La selección del modelo más adecuado y su umbral de clasificación final debe hacerse con una cuidadosa consideración de los requisitos operativos y los costos de negocio relacionados con los distintos tipos de errores de clasificación. En conclusión, elegir el modelo correcto, junto con un preprocesamiento adecuado, es fundamental para mejorar la prevención del fraude en el ámbito financiero
Fil: Saravia Ticona, Telma Raquel. Universidad Nacional Jorge Basadre Grohmann; Perú.
Fil: Chambi Condori, Pedro Pablo. Universidad Nacional Jorge Basadre Grohmann; Perú. - Materia
-
Information systems
Artificial intelligence
Finance
Crime prevention
Decision making
Data analysis
Mathematical models
Sistema de información
Inteligencia artificial
Finanzas
Prevención del crimen
Toma de decisiones
Análisis de datos
Modelo matemático
Système d'information
Intelligence artificielle
Finances
Prévention du crime
Prise de décision
Analyse de données
Modèle mathématique - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by/4.0/
- Repositorio
.jpg)
- Institución
- Universidad Nacional de Villa María
- OAI Identificador
- oai:biblio.unvm.edu.ar:48197
Ver los metadatos del registro completo
| id |
RDUNVM_81659f46c12ffa85dff9350df028d43a |
|---|---|
| oai_identifier_str |
oai:biblio.unvm.edu.ar:48197 |
| network_acronym_str |
RDUNVM |
| repository_id_str |
4256 |
| network_name_str |
Repositorio Digital (UNVM) |
| spelling |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financieroChambi Condori, Pedro PabloSaravia Ticona, Telma RaquelInformation systemsArtificial intelligenceFinanceCrime preventionDecision makingData analysisMathematical modelsSistema de informaciónInteligencia artificialFinanzasPrevención del crimenToma de decisionesAnálisis de datosModelo matemáticoSystème d'informationIntelligence artificielleFinancesPrévention du crimePrise de décisionAnalyse de donnéesModèle mathématiqueEl fraude financiero se ha convertido en una amenaza cada vez más seria para las instituciones y los usuarios en el mundo digital. Este estudio tiene como objetivo principal evaluar diferentes modelos de machine learning que se utilizan para detectar el fraude financiero, comparando su efectividad, precisión y capacidad de generalización. Se examinaron algoritmos supervisados como la regresión logística, los árboles de decisión, el randomforest y las máquinas de soporte vectorial, además de técnicas más avanzadas como XGBoost y redes neuronales. La evaluación se realizó utilizando métricas como la exactitud, precisión, recall y AUC-ROC, empleando conjuntos de datos reales y desbalanceados. Los resultados esperados mostraron que los modelos de Regresión Logística, Random Forest y la Red Neuronal tuvieron un rendimiento prometedor, cada uno destacando en diferentes aspectos de Precisión y Recall. La selección del modelo más adecuado y su umbral de clasificación final debe hacerse con una cuidadosa consideración de los requisitos operativos y los costos de negocio relacionados con los distintos tipos de errores de clasificación. En conclusión, elegir el modelo correcto, junto con un preprocesamiento adecuado, es fundamental para mejorar la prevención del fraude en el ámbito financieroFil: Saravia Ticona, Telma Raquel. Universidad Nacional Jorge Basadre Grohmann; Perú.Fil: Chambi Condori, Pedro Pablo. Universidad Nacional Jorge Basadre Grohmann; Perú.2025info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://biblio.unvm.edu.ar/opac_css/index.php?lvl=cmspage&pageid=9&id_notice=481974819720251112u u u0argy0103 baspa1020191Villa María (inhabited place)info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/Creative Commons Attribution 4.0 International (CC BY 4.0)reponame:Repositorio Digital (UNVM)instname:Universidad Nacional de Villa María2026-11-05T11:53:23Zoai:biblio.unvm.edu.ar:48197instacron:UNVMInstitucionalhttp://biblioteca.unvm.edu.ar/Repositorio/index.htmlUniversidad públicaNo correspondehttp://biblio.unvm.edu.ar/ws/PMBOAI ggomez@unvm.edu.ar;gustavo0306@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:42562026-11-05 11:53:24.286Repositorio Digital (UNVM) - Universidad Nacional de Villa Maríafalse |
| dc.title.none.fl_str_mv |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero |
| title |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero |
| spellingShingle |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero Chambi Condori, Pedro Pablo Information systems Artificial intelligence Finance Crime prevention Decision making Data analysis Mathematical models Sistema de información Inteligencia artificial Finanzas Prevención del crimen Toma de decisiones Análisis de datos Modelo matemático Système d'information Intelligence artificielle Finances Prévention du crime Prise de décision Analyse de données Modèle mathématique |
| title_short |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero |
| title_full |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero |
| title_fullStr |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero |
| title_full_unstemmed |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero |
| title_sort |
Valoración de modelos de “machine learning” en la prevención y mitigación del fraude financiero |
| dc.creator.none.fl_str_mv |
Chambi Condori, Pedro Pablo Saravia Ticona, Telma Raquel |
| author |
Chambi Condori, Pedro Pablo |
| author_facet |
Chambi Condori, Pedro Pablo Saravia Ticona, Telma Raquel |
| author_role |
author |
| author2 |
Saravia Ticona, Telma Raquel |
| author2_role |
author |
| dc.subject.none.fl_str_mv |
Information systems Artificial intelligence Finance Crime prevention Decision making Data analysis Mathematical models Sistema de información Inteligencia artificial Finanzas Prevención del crimen Toma de decisiones Análisis de datos Modelo matemático Système d'information Intelligence artificielle Finances Prévention du crime Prise de décision Analyse de données Modèle mathématique |
| topic |
Information systems Artificial intelligence Finance Crime prevention Decision making Data analysis Mathematical models Sistema de información Inteligencia artificial Finanzas Prevención del crimen Toma de decisiones Análisis de datos Modelo matemático Système d'information Intelligence artificielle Finances Prévention du crime Prise de décision Analyse de données Modèle mathématique |
| dc.description.none.fl_txt_mv |
El fraude financiero se ha convertido en una amenaza cada vez más seria para las instituciones y los usuarios en el mundo digital. Este estudio tiene como objetivo principal evaluar diferentes modelos de machine learning que se utilizan para detectar el fraude financiero, comparando su efectividad, precisión y capacidad de generalización. Se examinaron algoritmos supervisados como la regresión logística, los árboles de decisión, el randomforest y las máquinas de soporte vectorial, además de técnicas más avanzadas como XGBoost y redes neuronales. La evaluación se realizó utilizando métricas como la exactitud, precisión, recall y AUC-ROC, empleando conjuntos de datos reales y desbalanceados. Los resultados esperados mostraron que los modelos de Regresión Logística, Random Forest y la Red Neuronal tuvieron un rendimiento prometedor, cada uno destacando en diferentes aspectos de Precisión y Recall. La selección del modelo más adecuado y su umbral de clasificación final debe hacerse con una cuidadosa consideración de los requisitos operativos y los costos de negocio relacionados con los distintos tipos de errores de clasificación. En conclusión, elegir el modelo correcto, junto con un preprocesamiento adecuado, es fundamental para mejorar la prevención del fraude en el ámbito financiero Fil: Saravia Ticona, Telma Raquel. Universidad Nacional Jorge Basadre Grohmann; Perú. Fil: Chambi Condori, Pedro Pablo. Universidad Nacional Jorge Basadre Grohmann; Perú. |
| description |
El fraude financiero se ha convertido en una amenaza cada vez más seria para las instituciones y los usuarios en el mundo digital. Este estudio tiene como objetivo principal evaluar diferentes modelos de machine learning que se utilizan para detectar el fraude financiero, comparando su efectividad, precisión y capacidad de generalización. Se examinaron algoritmos supervisados como la regresión logística, los árboles de decisión, el randomforest y las máquinas de soporte vectorial, además de técnicas más avanzadas como XGBoost y redes neuronales. La evaluación se realizó utilizando métricas como la exactitud, precisión, recall y AUC-ROC, empleando conjuntos de datos reales y desbalanceados. Los resultados esperados mostraron que los modelos de Regresión Logística, Random Forest y la Red Neuronal tuvieron un rendimiento prometedor, cada uno destacando en diferentes aspectos de Precisión y Recall. La selección del modelo más adecuado y su umbral de clasificación final debe hacerse con una cuidadosa consideración de los requisitos operativos y los costos de negocio relacionados con los distintos tipos de errores de clasificación. En conclusión, elegir el modelo correcto, junto con un preprocesamiento adecuado, es fundamental para mejorar la prevención del fraude en el ámbito financiero |
| publishDate |
2025 |
| dc.date.none.fl_str_mv |
2025 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
| format |
conferenceObject |
| status_str |
acceptedVersion |
| dc.identifier.none.fl_str_mv |
http://biblio.unvm.edu.ar/opac_css/index.php?lvl=cmspage&pageid=9&id_notice=48197 48197 20251112u u u0argy0103 ba |
| url |
http://biblio.unvm.edu.ar/opac_css/index.php?lvl=cmspage&pageid=9&id_notice=48197 |
| identifier_str_mv |
48197 20251112u u u0argy0103 ba |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/4.0/ Creative Commons Attribution 4.0 International (CC BY 4.0) |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by/4.0/ Creative Commons Attribution 4.0 International (CC BY 4.0) |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.coverage.none.fl_str_mv |
1020191 Villa María (inhabited place) |
| dc.source.none.fl_str_mv |
reponame:Repositorio Digital (UNVM) instname:Universidad Nacional de Villa María |
| reponame_str |
Repositorio Digital (UNVM) |
| collection |
Repositorio Digital (UNVM) |
| instname_str |
Universidad Nacional de Villa María |
| repository.name.fl_str_mv |
Repositorio Digital (UNVM) - Universidad Nacional de Villa María |
| repository.mail.fl_str_mv |
ggomez@unvm.edu.ar;gustavo0306@gmail.com |
| _version_ |
1881032331965235200 |
| score |
12.823554 |