{rfName}
En

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

24

Altmetrics

Investigadores/as Institucionales

Kandi, KianehAutor o CoautorGarcia-Dopico, AntonioAutor (correspondencia)

Compartir

12 de abril de 2025
Publicaciones
>
Artículo
Sí

Enhancing Performance of Credit Card Model by Utilizing LSTM Networks and XGBoost Algorithms

Publicado en: MACHINE LEARNING AND KNOWLEDGE EXTRACTION. 7 (1): 20- - 2025-02-21 7(1), DOI: 10.3390/make7010020

Autores:

Kandi, K; García-Dopico, A
[+]

Afiliaciones

Univ Politecn Madrid, Ctr Invest Simulac Computac, Madrid 28660, Spain - Autor o Coautor
Univ Politecn Madrid, Dept Arquitectura & Tecnol Sistemas Informat DATSI, Escuelta Tecn Super Ingn Informat, Madrid 28660, Spain - Autor o Coautor

Resumen

This research paper presents novel approaches for detecting credit card risk through the utilization of Long Short-Term Memory (LSTM) networks and XGBoost algorithms. Facing the challenge of securing credit card transactions, this study explores the potential of LSTM networks for their ability to understand sequential dependencies in transaction data. This research sheds light on which model is more effective in addressing the challenges posed by imbalanced datasets in credit risk assessment. The methodology utilized for imbalanced datasets includes the use of the Synthetic Minority Oversampling Technique (SMOTE) to address any imbalance in class distribution. This paper conducts an extensive literature review, comparing various machine learning methods, and proposes an innovative framework that compares LSTM with XGBoost to improve fraud detection accuracy. LSTM, a recurrent neural network renowned for its ability to capture temporal dependencies within sequences of transactions, is compared with XGBoost, a formidable ensemble learning algorithm that enhances feature-based classification. By meticulously carrying out preprocessing tasks, constructing competent training models, and implementing ensemble techniques, our proposed framework demonstrates unwavering performance in accurately identifying fraudulent transactions. The comparison of LSTM and XGBoost shows that LSTM is more effective for our imbalanced dataset. Compared with XGBOOST's 97% accuracy, LSTM's accuracy is 99%. The final result emphasizes how crucial it is to select the optimal algorithm based on particular criteria within financial concerns, which will ultimately result in more reliable and knowledgeable credit score decisions.
[+]

Palabras clave

Extreme gradient boosting (xgboost)Imbalanced dataseLong short-term memory (lstm) networkRecurrent neural network (rnn)Synthetic minority oversampling technique (smote)

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista MACHINE LEARNING AND KNOWLEDGE EXTRACTION debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición 51/368, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Engineering, Electrical & Electronic.

Independientemente del impacto esperado determinado por el canal de difusión, es importante destacar el impacto real observado de la propia aportación.

Según las diferentes agencias de indexación, el número de citas acumuladas por esta publicación hasta la fecha 2026-04-25:

  • WoS: 5
  • Scopus: 5
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-25:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 72.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 68 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 1.
  • El número de menciones en la red social X (antes Twitter): 1 (Altmetric).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/92917/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 33
  • Descargas: 23
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (KANDI, KIANEH) y Último Autor (GARCIA DOPICO, ANTONIO).

el autor responsable de establecer las labores de correspondencia ha sido GARCIA DOPICO, ANTONIO.

[+]