DOI:
https://doi.org/10.14483/2322939X.4162Publicado:
2010-07-01Número:
Vol. 7 Núm. 2 (2010)Sección:
Investigación y DesarrolloMINERÍA DE DATOS PARA LA PREDICCIÓN DE FRAUDES EN TARJETAS DE CRÉDITO
Palabras clave:
Minería de datos, árboles de clasificación, reglas de asociación, Algoritmo J48, Regla a priori. (es).Descargas
Resumen (es)
En este artículo se expone el uso de la minería de datos a través de algoritmos de árboles de clasificación (J48) y reglas de asociación (a priori) para la posible detección de fraudes a nivel de tarjetas de crédito. Además, presenta una comparación de los resultados obtenidos con ambas técnicas y propone una serie de sugerencias para el desarrollo de este procedimiento usando minería de datos.
Referencias
Eck, J. et. al. (2005), “Mapping Crime: Understanding Hot Spots. Crime Mapping Research Center U.S. Department of Justice. Office of Justice Programs”.
ICJIA, (2007), “Illinois Criminal Justice Information Authority”, [en línea], disponible en: http://www.icjia.state.il.us/public/index.cfm?metasection=Data&metapage=StacFacts, recuperado el 1 de marzo de 2011.
CrimeStat (2007), “CrimeStat: A Spatial Statistics Program for the Analysis of Crime Incident Locations”, [en línea], disponible en: http://www.icpsr.umich.edu/NACJD/crimestat.html, recuperado el 1 de marzo de 2011.
Coplink (2007), “COPLINK Solution Suite”, [en línea], disponible en: http://www.coplink.com, recuperado el 1 de marzo de 2007.
Coplink, (2004), Crime Data Mining and Visualization for Intelligence and Security. Informatics: The COPLINK Research. University of Arizona Artificial Intelligence Lab. URL: http://ai.bpa.arizona.edu/research/coplink/index.htm. Acceso Marzo 2011.
Clark, P. y Boswell R. (2000), Practical Machine Learning Tools and Techniques with Java Implementation, CIUDAD, Morgan Kaufmann Publisher.
Britos, P.; Dieste, O. y García, R. (2008), “Requirements Elicitation in Data Mining for Business Intelligence Projects” en Advances in Information Systems Research, Education and Practice, VOL., NÚM, pp. 139 – 150.
Fayyad U.M.; Piatetsky, G. y Smyth, P. (1996), “From Data Mining to Knowledge Discovery: An Overview. Advances in Knowledge Discovery and Data Mining” NOMBRE, VOL, NÚM, pp. 1-34.
Britos, P. et al. (2005), Minería de Datos Basada en Sistemas Inteligentes, CIUDAD, Nueva Librería.
Britos, P. et al. (2008), Detecting Unusual Changes of Users Consumption. In Artificial Intelligence and Practice II. Springer. p. 297-306.R. W. Lucky, “Automatic equalization for digital communication,” Bell Syst. Tech. J., vol. 44, no. 4, pp. 547–588, Apr. 1965.
Gunderson, L. (2002), “Using data mining and judgment analysis to construct a predictive model of crime” IEEE International Conference, CIUDAD.
Brown, D. y Oxford, R. (2001), “Data mining time series with applications to crime analysis,” IEEE International Conference, CIUDAD.
Hernandez, O.; Ramírez, Q. y Ferri, R. (2004), Introducción a la Minería de Datos, Madrid, Editorial Pearson Prentice Hall.
Fayyad, U.; Piatetsky-Shapiro G. y Smyth P. (1996), From Data Mining to Knowledge Discovery: An Overview. Advances in Knowledge Discovery and Data Mining, CIUDAD, AAAI/MIT Press.
Chen, M.; Han J. y Yu P. (1996), “Data Mining: An Overview from Database Perspective”, en IEEE Transactions on Knowledge and Data Engineering, VOL, NÚM, PP.
Han, J. y Kamber, M. (2006), Data Mining Concepts and Techniques, San Francisco, Morgan Kaufmann Publishers.
Hand, D.; Mannila, H. y Smyth P. (2001), Principles of Data Mining, CIUDAD, MIT Press.
Timarán, P. (2009): “Detección de Patrones de Bajo Rendimiento Académico y Deserción Estudiantil con Técnicas de Minería de Datos”, Memorias de la VIII Conferencia Iberoamericana en Sistemas, Orlando, Estados Unidos de América.
Hernandez, O.; Ramí rez, Q. M. y Ferri, R. C. (2004), Introducción a la Minería de Datos, Madrid, Editorial Pearson Prentice Hall.
Sierra, B. et al. (2006), Aprendizaje automático: conceptos básicos y avanzados: aspectos prácticos utilizando el Software WEKA, CIUDAD, Pearson.
Dapozo, G. (2006), “Aplicación de minería de datos con una herramienta de software libre en la evaluación del rendimiento
académico de los alumnos de la carrera de Sistemas de la FACENA-UNNE”, Anales del Octavo Workshop de Investigadores en Ciencias de la Computación WICC 2006, Buenos Aires, Argentina.
Machine Learning Project at the Department of Computer Science of the University of Waikato, New Zealand. http://www.cs.waikato.ac.nz/ml/weka/
Witten, I. y Frank, E. (2005), Data Mining Practical Machine Learning Tools and Techniques. San Francisco, Morgan Kaufmann Publishers.
2.png)
