By name: isolation_forest description: Detectar patrones de sesión inusuales (outliers) indicativos de fraude con Isolation Forest type: ML Model priority: Recomendada mode: Self-hosted
isolation_forest
Isolation Forest es un algoritmo de detección de anomalías no supervisado. Detecta sesiones que presentan una combinación inusual de características que difiere del comportamiento legítimo normal.
When to use
Usar sobre el vector de características de cada sesión como capa adicional de detección de fraude.
Instructions
- Instalar:
pip install scikit-learn. - Definir el vector de características de sesión:
[liveness_time, challenge_completion_time, score_liveness, score_face_match, retry_count, device_age_days, ip_geolocation_match, ...]. - Entrenar el modelo con sesiones legítimas históricas:
clf = IsolationForest(n_estimators=100, contamination=0.01, random_state=42).clf.fit(legitimate_sessions_matrix). - Predecir anomalía:
anomaly_score = clf.decision_function([current_session_features]). - Score negativo = más anómalo; umbral típico:
score < -0.1→ sospechoso. - Serializar modelo:
joblib.dump(clf, 'isolation_forest.pkl'). - Reentrenar periódicamente (semanal/mensual) con nuevos datos.
Notes
- El modelo mejora significativamente con más datos históricos; iniciar con umbrales conservadores.
- Combinar con reglas deterministas (hard rules) para mayor robustez.