NOTES.md

Titles

• Reduzindo Falsos Positivos em preditores de transações fraudulentas;
• Aprimorando o desempenho de classificadores de transações fraudulentas;

---

Structure

1. Introdução

   • Fraudes Financeiras
   • Poucas Bases públicas
   • Poucas elementos amostrais
   • Preditores com Falsos Negativos

2. Revisão Literária

   • Definição de Fraude
     • Técnicas Antifraude
   • Aprendizado de Máquina
     • Tree Classifiers
     • Random Forests Classifiers
     • Percepton
     • MultiLayer Percepton
     • Support Vector Machines
   • Sampling
     • Random Sampling
     • SMOTE

3. Metodologia

   • Base de Dados
     • Breve descritivo & aquisição de dados
     • Análise Exploratória
   • Redução de Dimensionalidade
   • Resultados Preliminares
     • Overfitting e Falsos Negativos
   • Resultados Otimizados
     • Otimização dos modelos

4. Conclusão

• Propostas Futuras

---

Model Evaluation

Section aimed on evaluating model´s performance.

Manual ROS

nn_models - Manual ROS:

• Sigmoidal Activation - SGD:

  • Accuracy:
    • 0.83324 Train
    • 0.71489 Test
    • 0.68913 Validation (Only Frauds)
  • Loss: 0.915
  • 100 Epochs - Non Early Stopped

• Relu Activation - ADAM:

  • Accuracy:
    • 0.99940 Train
    • 0.87329 Test
    • 0.74812 Validation (Only Frauds)
  • Loss: 6.2861e-04
  • 15 Epochs - Early Stopped in 8 Epochs

SMOTE

• Relu Activation - ADAM:
  • Accuracy:
    • 0.99940 Train
    • 0.87329 Test
    • 0.74812 Validation (Only Frauds)
  • Loss: 6.2861e-04
  • 15 Epochs - Early Stopped in 8 Epochs
• RandomForest:
  • Accuract

---