Resumen

Una implementación efectiva de aprendizaje automático significa que la inteligencia artificial tiene un tremendo potencial para ayudar y automatizar la evaluación de amenazas financieras para empresas comerciales y agencias de crédito. El alcance de este estudio es construir un marco predictivo para ayudar a la agencia de crédito modelando/evaluando el riesgo de morosidad en tarjetas de crédito. El aprendizaje automático permite la evaluación de riesgos al predecir el engaño en grandes conjuntos de datos desequilibrados clasificando la transacción como normal o fraudulenta. En caso de una transacción fraudulenta, se puede enviar una alerta a la organización financiera relacionada que puede suspender la liberación del pago para una transacción en particular. De todos los modelos de aprendizaje automático como RUSBoost, árbol de decisiones, regresión logística, perceptrón multicapa, vecino más cercano, bosque aleatorio y máquina de vectores de soporte, el rendimiento predictivo general de RUSBoost personalizado es el más impresionante. Las métricas de evaluación utilizadas en la experimentación son sensibilidad, especificidad, precisión, puntajes y área bajo la curva de características de operación del receptor y curvas de precisión-recuperación. Los conjuntos de datos utilizados para el entrenamiento y prueba de los modelos han sido tomados de kaggle.com.

• Materias:Red 5G Internet de las cosas Seguridad de la información Tecnologías de comunicación
• Subjects:5G Network Internet of things Information security Communication technologies
• Palabras claves:Aprendizaje automático; Evaluación de amenazas financieras; Oficina de crédito; Riesgo de impago de tarjetas de crédito; Detección de fraudes; RUSBoost
• Keywords:Machine learning; Financial threat assessment; Credit bureau; Credit card delinquency risk; Fraud detection; RUSBoost