Detección de Fraude en Tarjetas de Crédito

Detección de Fraude en Transacciones con Tarjeta de Crédito

El objetivo de este problema es identificar transacciones fraudulentas con tarjetas de crédito basándose en un conjunto de datos real y anónimo. El problema refleja un escenario del mundo real, donde los datos están fuertemente desequilibrados y las transacciones fraudulentas son poco frecuentes.

El conjunto de datos

El proyecto utiliza dos archivos CSV:

• train.csv - el conjunto de datos para entrenamiento
• test.csv - el conjunto de datos para pruebas

Nota: La columna Class solo está disponible en train.csv.

Observación importante: El conjunto de datos está severamente desequilibrado, por lo que la métrica accuracy no es relevante para evaluar los modelos de clasificación.

Subtareas

Subtarea 1 - Análisis estadístico de las transacciones (10 puntos)

Determina cuántas transacciones fraudulentas tienen un Amount mayor que la media del Amount de las transacciones legítimas.

La respuesta es un número entero.

Subtarea 2 - Mahalanobis Distance (10 puntos)

Evalúa qué tan "anormales" son las transacciones fraudulentas utilizando la distancia de Mahalanobis, que tiene en cuenta todas las variables numéricas simultáneamente (Amount + V1-V28).

Pasos sugeridos:

1. Selecciona todas las transacciones fraudulentas (Class = 1) de train.csv.
2. Calcula el vector medio y la matriz de covarianza de las columnas numéricas.
3. Calcula la distancia de Mahalanobis para cada transacción.
4. Informa la media de las distancias de Mahalanobis, redondeada a 2 decimales.

Subtarea 3 - Detección de fraude (80 puntos)

Para cada transacción en test.csv, predice la etiqueta de fraude:

• 1 = fraude
• 0 = transacción legítima

Métrica principal: F1-score en la clase 1.

Formato del archivo de entrega

El archivo de entrega debe estar en formato CSV con las siguientes columnas:

Reglas:

• Subtarea 1 y Subtarea 2: datapointID = 1 (una sola respuesta).
• Subtarea 3: una predicción para cada transacción de test.csv, con datapointID = el valor de la columna id.

Ejemplo:

1subtaskID,datapointID,answer21,1,4232,1,0.2743,227846,153,227847,063,227848,0

Nota: La resolución de este problema no requiere el uso de arquitecturas de tipo Transformer.