Detección de Fraude con Clasificación

Laboratorio: Modelo de clasificación para anomalías financieras

F1 = 2 × (Precision × Recall) / (Precision + Recall)

Objetivo de Aprendizaje

Construir un modelo de clasificación para detección de fraude y evaluar su rendimiento con métricas apropiadas.

Conceptos Clave

Clasificación binariaPrecisionRecallF1-ScoreMatriz de confusiónDesbalanceo de clases

Ejemplo Empresarial

BancoData tiene 500,000 transacciones diarias con 0.3% de fraude. Un modelo que predice siempre 'legítima' tiene 99.7% de accuracy pero detecta 0 fraudes — completamente inútil.

💡Micro-Ejercicio1/5

En un dataset de fraude bancario, el 0.1% de transacciones son fraudulentas. ¿Por qué accuracy NO es la métrica adecuada?

0/5 correctas