Detecta fraude transaccional en una fintech bogotana

Recibirás 800.000 transacciones etiquetadas (1,4 por ciento fraude) con features de transacción, comerciante y dispositivo. Construye y compara al menos tres enfoques: Isolation Forest no supervisado, XGBoost supervisado y un ensemble que combine ambos. Optimiza el threshold sobre una función de coste explícita (perder 1 USD de fraude vs molestar a un cliente con un falso bloqueo). Reporta precision-recall curves, lift por decil y matriz de confusión sobre datos out-of-time. El éxito significa un modelo que reduzca falsos positivos al menos 40 por ciento manteniendo recall sobre fraude en 85 por ciento o superior.