Comparação de Métodos de Otimização de Hiperparâmetros Baseados em Meta-Heurísticas e Estratégias Convencionais para Modelos de Detecção de Fraudes

Resumo

 A otimização de hiperparâmetros é importante na detecção de fraudes em cartões de crédito porque é um problema raro, dinâmico e altamente sensível a erros, e pequenos ajustes nos modelos podem gerar grandes diferenças nos resultados. Com isso, a otmização é crucial porque eleva o desempenho, a robustez e a capacidade de capturar padrões raros, evitando tanto perdas financeiras quanto alarmes falsos. Assim, este estudo avalia diferentes estratégias de otimização de hiperparâmetros aplicadas à detecção de fraudes em cartões de crédito, um problema marcado por forte desbalanceamento e elevada complexidade. Técnicas tradicionais são comparadas à otimização bayesiana e a meta-heurísticas bioinspiradas. Para isso, foi utilizado o conjunto de dados Credit Card Fraud Detection e modelos de machine learning. O desempenho foi mensurado por métricas adequadas a eventos raros, como F1-Score, Recall e AUC-ROC, e a significância estatística foi analisada pelo teste de Wilcoxon. A comparação entre métodos revelou diferenças relevantes e padrões que motivam uma análise mais aprofundada apresentada ao longo do estudo.