Datos de la Transacción
Distribución de Probabilidad
Explicación SHAP — Factores de Riesgo
Rojo = aumenta riesgo de fraude · Azul = reduce riesgo. La longitud indica la magnitud del impacto.
Casos de Demostración
Haz clic en cualquier caso para analizarlo automáticamente con el modelo.
Cargando casos...
Cargando métricas...
Arquitectura del Modelo
Algoritmo: LightGBM GBDT
Balanceo clases: scale_pos_weight + SMOTE
Optimización: Optuna (40 trials)
Validación: TimeSeriesSplit 70/15/15
Explicabilidad: SHAP TreeExplainer
Features: 87 variables (V + transacción + dispositivo)
Dataset: 150k transacciones (3.5% fraude)
Tipos de Fraude Detectados
🔴 Tarjetas robadas / CNP
🔴 Transacciones nocturnas sospechosas
🔴 Emails anónimos (anonymous.com, etc)
🔴 Importes muy elevados inusuales
🔴 Discrepancia geográfica de facturación
🔴 Patrones de V-features estadísticas