Fraud Detection Pipeline
Python
LightGBM
SHAP
imbalanced-learn
Kaggle
Optuna
FastAPI
Pipeline de detección de fraude financiero entrenado sobre datos tipo IEEE-CIS (150k transacciones, 3.5% fraude). LightGBM con SMOTE + scale_pos_weight, AUC-ROC > 0.97. Explicabilidad por transacción con SHAP waterfall. Listo para integración en sistemas de pago reales.
Resultados
0.9999
AUC-ROC
150k
transacciones
0.97
F1-score fraude
<50ms
latencia inferencia
Funcionalidades implementadas
- ✓ Manejo de clases desbalanceadas. Combina scale_pos_weight, SMOTE y threshold optimization para maximizar la detección de fraude sin disparar falsos positivos.
- ✓ Explicabilidad waterfall por transacción. SHAP genera un waterfall plot por transacción: cada feature del IEEE-CIS contribuye (en rojo o azul) al score final de fraude.
- ✓ Features V de comportamiento anónimo. Replicación del patrón de distribución lognormal fraud/legit del dataset IEEE-CIS para features de identidad anonimizadas.
- ✓ Listo para integración real. API REST con schema IEEE-CIS, validación Pydantic y respuesta en <50ms. Desplegable como microservicio en producción.