Identificación de Fraudes en Transacciones Electrónicas mediante Aprendizaje Automático Explicable

• Silvia Vázquez Universidad Americana

DOI: https://doi.org/10.5753/latinoware.2025.16523

Resumo

La identificación de fraudes en sistemas de pago electrónico, sigue representando un reto significativo para el progreso antifraude de los sistemas de pago electrónico. En este trabajo se propone un modelo predictivo basado en XGBoost en combinación con técnicas de Inteligencia Artificial Explicable (XAI), como SHAP, que ofrece claridad y gran exactitud en la detección de transacciones fraudulentas. Se empleó un conjunto de datos públicos, y todas las etapas se llevaron a cabo con herramientas de código abierto (Python, scikit-learn, XGBoost, SHAP, Google Colab) garantizando así su reproducibilidad y auditoría de los experimentos.

Palavras-chave: Identificación de fraudes, Inteligencia Artificial Explicable, SHAP, XGBoost, Software Libre

Referências

A. Dal Pozzolo, O. Caelen, R. Johnson, and G. Bontempi, “Calibrating Probability with Undersampling for Unbalanced Classification,” Proc. IEEE Symposium Series on Computational Intelligence, pp. 159–166, 2015. DOI: 10.1109/SSCI.2015.33

Kaggle, “Credit Card Fraud Detection Dataset,” 2018. [Online]. Available: [link]. [Accessed: Jul. 8, 2025].

S. M. Lundberg and S.-I. Lee,“A Unified Approach to Interpreting Model Predictions,”Advances in Neural In-formation Processing Systems (NeurIPS), vol. 30, pp. 4765–4774, 2017.

T. Chen and C. Guestrin,“XGBoost: A Scalable Tree Boosting System,”Proc. 22nd ACM SIGKDD Internatio-nal Conference on Knowledge Discovery and Data Mi-ning, pp. 785–794, DOI: .DOI:10.1145/2939672.2939785

M. Carcillo, Y.-A. Le Borgne, O. Caelen, Y. Kessaci, F. Oblé, and G. Bontempi,“Combining Unsupervised and Supervised Learning in Credit Card Fraud Detection,” Information Sciences, vol. 557, pp. 317–331, Sept. 2021. DOI: 10.1016/j.ins.2020.12.015