¡Bienvenidos al segundo dataset del Hackathon! Nos ponemos ahora en la piel de un Junior Data Scientist trabajando para la financiera Plasma S.A., dedicada a emitir las tarjetas AMEX en distintos países de latinoamerica.
Con los últimos avances tecnológicos en lo que respecta a pagos digitales, nuevas generaciones de ciber delincuentes entran en juego y burlan los sistemas de los mayores bancos y compañías financieras del mundo.
El fraude continua siendo muy común para compras online y presenciales. Al existir una magnitud gigante de transacciones que ocurren diariamente, la detección de fraude se presenta como un desafío para los autores involucrados, tanto compañías financiaras como instituciones gubernamentales.
Debido a la situación actual, se crea un equipo antifraude perteneciente al área de Data Science. Como primer task a realizar en el recién creado equipo, nuestro Team Lider nos pide que armemos un modelo para predecir si cierta transacción realizada con tarjeta de crédito es fraudulenta o no, para agilizar los procesos.
Nuestra meta es plantear un modelo (o serie de ellos), correrlo y utilizar la métrica definida para testear su performance.
Se utilizará para evaluar el desempeño del/los modelo/s la precisión (acurracy) de la matriz de confusión (confusion matrix).
siendo
Nos proveen el archivo fraude_tc.csv, un .csv con 1M filas (sin contar header) y 8 columnas con información sobre compras con tarjeta de crédito, entre las cuales se incluye la variable a predecir.
distancefromhome - la distancia a la que la transacción ocurrió desde la dirección de facturación distancefromlast_transaction - la distancia de la última transacción ratiotomedianpurchaseprice - ratio de el monto de transacción sobre la mediana repeat_retailer - si la transacción se dió sobre un retailer repetido used_chip - si la transacción es por chip usedpinnumber - si la transacción es por PIN online_order - si la transacción es online fraud - si la transacción fue o no fraudulenta