Detección de fraude con tarjetas de Crédito

En el presente proyecto se pretende analizar un conjunto de datos de transacciones crediticias recolectadas durante dos días en el mes de de Septiembre del 2013 por European cardholders

Empezaremos por importar las librerias necesarias para realizar el análisis

import pandas as pd
pd.options.display.max_columns=None
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sb

Procedemos a leer los datos con pandas

#df: base de datos de las transacciones
df=pd.read_csv("creditcard.csv.zip")

Verificamos que cantidad de datos tenemos

df.shape

(284807, 31)

Tenemos que existen 31 columnas (variables) y 284807 filas (registros)

Ahora bien procedemos a revisar la calidad de este conjunto de datos

df.isnull().any()

Time      False
V1        False
V2        False
V3        False
V4        False
V5        False
V6        False
V7        False
V8        False
V9        False
V10       False
V11       False
V12       False
V13       False
V14       False
V15       False
V16       False
V17       False
V18       False
V19       False
V20       False
V21       False
V22       False
V23       False
V24       False
V25       False
V26       False
V27       False
V28       False
Amount    False
Class     False
dtype: bool

Observamos que no hay variables con datos nulos.

Ahora bien echemos un vistazo a la variable Class la cual contiene la información sobre las transacciones fraudulentas

df["Class"].value_counts()

Class
0    284315
1       492
Name: count, dtype: int64

Notamos que solamente 492 transacciones son fraudulentas

df['Class'].value_counts(normalize=True)

Class
0    0.998273
1    0.001727
Name: proportion, dtype: float64

es decir solo el \(0.17\%\) de transacciones son fraudulentas

Ahora bien empecemos a intentar predecir

from sklearn.model_selection import train_test_split

X=df.drop(labels='Class',axis=1)
y=df.loc[:,'Class']

X_train, X_test, y_train, y_test=train_test_split(X,y,test_size=0.3,random_state=1, stratify=y)

Ahora bien, se realiza un análisis exploratorio de los datos

X_train['Time'].describe()

count    199364.000000
mean      94675.212852
std       47536.519022
min           0.000000
25%       54039.000000
50%       84588.500000
75%      139243.250000
max      172792.000000
Name: Time, dtype: float64

Realicemos una conversión de la variable Time de segundos a horas para facilitar la interpretación

X_train.loc[:,'Time']=X_train.Time/3600
X_test.loc[:,'Time']=X_test.Time/3600

plt.figure(figsize=(12,4))
sb.displot(X_train['Time'],bins=40,kde=False)
plt.xlim([0,40])
plt.xticks(np.arange(0,48,6))
plt.xlabel('Tiempo despues de la primera transacción (h)')
plt.ylabel('Conteo')
plt.title('Tiempo de transacciones')
plt.show()

<Figure size 1152x384 with 0 Axes>

Notamos que existen dos picos en la gráfica, el primero entre las 10 y 22 primeras horas y el segundo entre las 34 y 40 horas

Analicemos la variable Amount

X_train['Amount'].describe()

count    199364.000000
mean         88.659351
std         247.240287
min           0.000000
25%           5.637500
50%          22.000000
75%          78.000000
max       25691.160000
Name: Amount, dtype: float64

realicemos una revisión gráfica

primero un histograma

plt.figure(figsize=(12,4))
sb.displot(X_train['Amount'],bins=50,kde=False)
plt.ylabel('Conteo')
plt.title('Montos de Transacción')
plt.show()

<Figure size 1152x384 with 0 Axes>

plt.figure(figsize=(12,4))
sb.boxplot(x=X_train["Amount"])
plt.show()

Observemos que los datos se encuentran fuertemente sesgados a la derecha. Para asegurarnos calculamos la asimetría

X_train['Amount'].skew()

16.950540423177653

X_train.head(5)

	Time	V1	V2	V3	V4	V5	V6	V7	V8	V9	V10	V11	V12	V13	V14	V15	V16	V17	V18	V19	V20	V21	V22	V23	V24	V25	V26	V27	V28	Amount
105644	19.340833	1.135011	-0.663898	0.703924	0.069871	-0.488154	1.312078	-0.897198	0.463148	-0.478801	0.396879	0.268544	0.752264	0.264092	-0.252977	0.515272	-3.211514	1.648897	-1.297012	-2.246958	-0.677938	-0.331487	-0.069644	0.183987	-0.618678	0.089015	0.521419	0.086390	0.004782	1.00
139790	23.155278	-1.786262	1.118886	1.347969	-0.379954	-1.240680	0.467667	0.081125	0.964933	0.042585	-1.275754	-1.871478	0.375166	0.692938	-0.149358	-0.396145	0.802805	-0.405073	0.153925	-0.241419	-0.099266	-0.047902	-0.182530	-0.162509	-0.405178	0.512595	0.299398	-0.042882	-0.059130	141.73
158758	31.034167	-0.683414	0.679341	2.615556	2.362138	-0.012716	0.603826	0.574245	-0.679978	-0.811409	2.035115	-0.564418	-1.407557	-0.094656	-0.859411	1.749530	0.099132	-0.035668	-0.053624	1.656191	0.372610	-0.007167	0.463597	-0.243134	0.084557	-0.453177	2.687676	-1.084269	-0.511626	36.19
130845	22.067778	1.183540	-0.493000	0.755202	-0.963160	-0.850295	0.145905	-0.794616	0.302199	1.656943	-0.939787	1.101727	1.138109	-0.592931	0.156943	0.903035	-0.419096	-0.207755	0.403235	0.614310	-0.168134	0.039588	0.339340	-0.053125	-0.298049	0.423994	-0.652284	0.102582	0.017292	1.00
88908	17.318056	1.137583	0.105478	0.784402	1.254973	-0.600870	-0.360836	-0.161727	0.076092	0.280587	0.015787	1.084154	1.016011	-0.666982	0.250706	-0.835022	-0.130522	-0.216624	-0.058071	0.265563	-0.178887	-0.195692	-0.443664	0.046270	0.516246	0.447943	-0.554949	0.031821	0.018177	7.60