En la industria de la ciberseguridad, donde las transacciones legítimas superan con creces a las fraudulentas, detectar el fraude es de suma importancia. Para evaluar la precisión en la detección de transacciones fraudulentas en conjuntos de datos reales desbalanceados, este estudio compara la eficacia de dos enfoques, el submuestreo aleatorio y el sobremuestreo, utilizando la técnica de sobremuestreo de minorías sintéticas (SMOTE). El submuestreo aleatorio busca la equidad al excluir ejemplos de la clase mayoritaria, pero esto compromete la precisión en favor de la recuperación. Para lograr un equilibrio y asegurar la significancia estadística, se utilizó SMOTE en su lugar para producir ejemplos artificiales de la clase minoritaria. Basado en los datos obtenidos, está claro que el submuestreo aleatorio logra una alta recuperación (92.86%) a expensas de una baja precisión, mientras que SMOTE logra una mayor precisión (86.75%) y un puntaje F1 más equilibrado (73.47%) a expensas de una recuperación ligeramente menor. Dado que las transacciones fraudulentas verdaderas requieren al menos dos métodos de verificación, investigamos diferentes métodos de aprendizaje automático y realizamos balances adecuados entre precisión, puntaje F1 y recuperación. Nuestra comparación arroja luz sobre las sutilezas y ramificaciones de cada enfoque, permitiendo a los profesionales en el campo de la ciberseguridad elegir mejor el enfoque que mejor se adapte a las necesidades de su propia empresa. Esta investigación destaca la necesidad de resolver los desbalances de clase para una detección efectiva de fraude en ciberseguridad, así como la necesidad de un monitoreo constante y la investigación de nuevos enfoques para aumentar la aplicabilidad.