Mejora del algoritmo k-means para la detección de fraudes financieros en presencia de puntos atípicos

Abstract

El presente trabajo de grado se enfoca en la mejora del algoritmo K-means para la detección de fraudes financieros, abordando el problema de los puntos atípicos (outliers) que afectan su precisión. Los outliers pueden distorsionar los resultados del K-means, reduciendo su eficacia para identificar comportamientos fraudulentos en los datos financieros. El objetivo general es evaluar las diferentes soluciones que han sido propuestas para mitigar este problema, mejorando la efectividad del algoritmo en contextos reales. Se revisarán las limitaciones del K-means ante outliers y se evaluarán técnicas alternativas, como el preprocesamiento de datos y algoritmos robustos. Finalmente, se propondrán recomendaciones para optimizar su uso en la detección de fraudes, considerando escenarios con alta presencia de puntos atípicos. Este estudio contribuye a la calidad de los sistemas de detección de fraudes financieros, ofreciendo un enfoque mejorado para el análisis de grandes volúmenes de datos en la industria financiera.