Algoritmos de agrupamento aplicados à detecção de fraudes

Abstract

Em um contexto tecnológico, em que dados são gerados de maneira exponencial, as análises financeiras tem se tornado gradativamente mais importantes para evitar grandes perdas devido às fraudes. Neste trabalho, busca-se a segmentação das transações em grupos, por meio de técnicas de agrupamento, com base na existência de padrões distintos entre transações financeiras legítimas e ilegais. Para isto, algoritmos foram testados e comparados em relação ao desempenho, validação do agrupamento, interpretação e compreensão, sendo os três últimos critérios utilizados para a formulação de hipóteses. Como resultado espera-se uma redução do espaço de busca para que possíveis fraudes possam ser investigadas.

Exploring the Relationship between Students Engagement and Self-Regulated Learning: A Case Study using OULAD Dataset and Machine Learning Techniques

“…Dunn's Index measures the distance between the closest clusters relative to the average size of the clusters [Jain e Dubes 1988], used to identify optimal cluster compression while maintaining proper separation between clusters. Calinski-Harabasz is a measure of the density and separability between groups, used to pinpoint well-defined and densely-packed clusters with clear separations, while Davies-Bouldin measures the similarity between the group and its closest group [Furlanetto et al 2022], the metric was selected for its ability to highlight distinct and well-separated clusters.…”