credit-card-fraud-xgboost

Clasificador binario de fraude en transacciones con tarjeta de crédito. Entrenado sobre gusdelact/credit-card-fraud-curated (curación de alenc123/credit-card-fraud).

Información del modelo

  • Tipo: XGBClassifier
  • Framework: XGBoost logloss
  • Autor: gusdelact
  • Fecha de entrenamiento: 2026-05-18T03:18:43.456558
  • Tarea: clasificación binaria (fraude vs no fraude)
  • Variable objetivo: is_fraud

Datos de entrenamiento

  • Fuente original: alenc123/credit-card-fraud (1.3M filas).
  • Subsample estratificado: 240000 filas (train) + 60000 (test).
  • Tasa de fraude: ~0.58%.
  • Features: 74 tras One-Hot Encoding.

Hiperparámetros (resultado de RandomizedSearchCV con CV=5, scoring=F1)

{
  "subsample": 0.8,
  "n_estimators": 400,
  "max_depth": 6,
  "learning_rate": 0.05,
  "colsample_bytree": 0.7
}
  • scale_pos_weight = 171.66 (≈ n_neg / n_pos), en lugar de SMOTE.
  • tree_method = "hist" para eficiencia en CPU.

Métricas en test

Métrica Umbral 0.5 Umbral óptimo (0.964)
Accuracy 0.9940 0.9983
Precision (fraude) 0.4901 0.9184
Recall (fraude) 0.9251 0.7781
F1 (fraude) 0.6407 0.8424
Métrica global
ROC-AUC 0.9970
PR-AUC 0.8946
F1 CV (búsqueda hp) 0.7081

El umbral óptimo se calibra por F1 sobre la curva precision-recall del test set. La elección final del umbral en producción depende del costo relativo entre falsos negativos (fraude no detectado) y falsos positivos (transacción legítima rechazada).

Cómo usar

import joblib
import json
import pandas as pd
from huggingface_hub import hf_hub_download

REPO = "gusdelact/credit-card-fraud-xgboost"
model = joblib.load(hf_hub_download(REPO, "model.joblib"))
preprocessor = joblib.load(hf_hub_download(REPO, "preprocessor.joblib"))
schema = json.load(open(hf_hub_download(REPO, "feature_schema.json")))

# Preparar features crudas (debe incluir trans_date_trans_time, dob, lat, long,
# merch_lat, merch_long, amt, category, gender, state, city_pop)
# y derivar hour/day_of_week/month/age/distance_km como en el pipeline original.
# Ver app_inference/app_inference.py para un ejemplo completo.

Fundamento teórico (resumen)

El diseño completo está en notes/0[1-3]_design_*.md del repositorio. En síntesis:

  • Boosting con shrinkage: ISLP §8.2.3 — learning_rate pequeño + muchos árboles equivale a una regularización L1 monótona en el espacio de árboles (ESL §16.2.2). Con esta estructura el sobreajuste tiende a aparecer lentamente.
  • Costos asimétricos vía pesos: ESL §9.2 — ponderar la clase minoritaria por L_kk' = n_neg / n_pos desplaza la frontera de Bayes hacia mayor recall, equivalente a scale_pos_weight en XGBoost.
  • Calibración del umbral: ISLP §4.4.3 — el umbral 0.5 minimiza el error global pero ignora costos asimétricos; mover el umbral por la curva PR permite optimizar F1 directamente sobre la clase de interés.

Limitaciones

  • Split aleatorio (no temporal): si el patrón de fraude evoluciona, el desempeño en producción puede degradarse. Mitigación: monitoreo y reentrenamiento periódico.
  • Posible leakage por cc_num: el split actual no agrupa por tarjeta. Una versión futura debería usar GroupKFold(groups=cc_num).
  • Categorías geográficas limitadas a EE. UU.: state es un campo de estados americanos.
  • category es OneHot fijo: categorías no vistas en train se ignoran (handle_unknown="ignore").

Cómo citar

@model{credit-card-fraud-xgboost,
  author = {gusdelact},
  title  = {credit-card-fraud-xgboost},
  year   = {2026},
  publisher = {Hugging Face Hub}
}
Downloads last month

-

Downloads are not tracked for this model. How to track
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Datasets used to train gusdelact/credit-card-fraud-xgboost

Space using gusdelact/credit-card-fraud-xgboost 1