Esta investigación aborda el tema crítico del fraude con tarjetas de crédito, un problema que ha aumentado en la última década debido al significativo aumento en el uso de tarjetas de crédito, impulsado en gran medida por los avances en el comercio internacional, el comercio electrónico y la tecnología financiera. Con pérdidas globales proyectadas que superarán los USD 400 mil millones en la próxima década, la necesidad urgente de sistemas efectivos de detección de fraudes es evidente. Nuestro estudio aprovecha el poder del aprendizaje automático (ML) y presenta un enfoque novedoso para la detección de fraudes con tarjetas de crédito. Utilizamos el conjunto de datos de titulares de tarjetas europeos para el entrenamiento del modelo, abordando el problema del desequilibrio de datos que a menudo dificulta la efectividad del proceso de aprendizaje. Como elemento innovador clave, presentamos el aprendizaje de datos compactos (CDL), una herramienta poderosa para reducir el tamaño y la complejidad del conjunto de datos de entrenamiento sin sacrificar la precisión del sistema de ML. Experimentos comparativos han demostrado que nuestra reducción de características adaptada a CDL supera a varios algoritmos de ML y métodos de reducción de características. Los hallazgos de esta investigación no solo contribuyen a los fundamentos teóricos de la detección de fraudes, sino que también proporcionan implicaciones prácticas para el sector financiero, que puede beneficiarse enormemente del sistema mejorado de detección de fraudes.