Deep Learning visuell erklärt

Deep Learning anhand visueller Beispiele verstehen

Deep Learning ist eine der leistungsstärksten KI-Techniken, kann jedoch schwer zu verstehen sein. In diesem Blog werde ich versuchen, Deep Learning anhand von Bildern und Beispielen zu erklären.

Die Deep-Learning-Architektur ist von der Funktionsweise unseres Gehirns inspiriert. Es handelt sich um eine Verbindung von Neuronen. Deep-Learning-Modelle können viele Parameter haben. Die Anzahl der Parameter basiert auf der Anzahl der Schichten und Neuronen, die bei anspruchsvoller Architektur exponentiell wachsen kann.

In diesem Blog werde ich einen geschäftlichen Anwendungsfall der Aufdeckung von Finanzbetrug behandeln. Eine der größten Herausforderungen bei der Betrugserkennung ist das Problem des Klassenungleichgewichts, was bedeutet, dass die zum Trainieren von Modellen für maschinelles Lernen verwendeten Daten nur sehr wenige Betrugsfälle aufweisen.

Es ist, als würde man einem maschinellen Lernmodell beibringen, die Nadel im Heuhaufen zu finden. Die Betrugserkennung ist ein besonderes Problem, das einen ausgefeilten Ansatz wie die Deep-Learning-Architektur rechtfertigt.

Im Beispiel werde ich Daten aus dem Banktransaktionssystem übernehmen. Die Daten sehen wie hier dargestellt aus. Die Daten enthalten die Art der Finanztransaktion, den Betrag sowie den alten und neuen Saldo von Ursprung und Ziel. Es gibt auch eine Markierung, die anzeigt, ob die Transaktion betrügerisch war oder nicht.

Das Zitat für den Datensatz finden Sie am Ende des Blogs.

Die Daten werden in Trainings- und Testdaten aufgeteilt. Das Deep-Learning-Modell wird auf dem Trainingssatz entwickelt und dann anhand der Testdaten validiert. Dann kann dieses Modell verwendet werden, um Betrug anhand unsichtbarer Daten vorherzusagen.

Das Deep-Learning-Modell zur Betrugsvorhersage wird hier gezeigt. Die Eingabeneuronen entsprechen den Transaktionsdaten. Jedes Neuron entspricht einer Spalte in den Eingabedaten, z. B. der Art der Transaktion, dem Betrag und den Saldoinformationen am Ursprungs- und Zielort.

Es gibt eine Zwischenschicht und dann die letzte Schicht mit zwei Neuronen, eines, das keinen Betrug vorhersagt, und das andere, das keinen Betrug vorhersagt.

Die Leitungen sind Signale, die zwischen den verschiedenen Schichten übertragen werden. Eine grüne Linie zeigt ein positives Signal an und eine rote Linie zeigt ein negatives Signal an

Wir sehen, dass Neuron 1_0 ein positives Signal an Neuron Fraud weiterleitet.

Das bedeutet, dass es tiefgreifend gelernt hat, wie eine betrügerische Transaktion aussieht! Das ist spannend !

Werfen wir einen Blick in das Innere von Neuron 1_0!

Das Radardiagramm ist eine Darstellung dessen, was das Neuron über die Daten gelernt hat. Eine blaue Linie zeigt einen hohen Wert an, eine rote Linie einen niedrigen Wert. Das Radardiagramm zeigt ein hohes, aber nahezu ähnliches altes und neues Gleichgewicht am Ursprung. Allerdings besteht am Zielort ein sehr großer Unterschied zwischen altem und neuem Gleichgewicht.

Eine solche Situation ist ein Hinweis auf Betrug. Diese Situation kann unten visuell dargestellt werden.

Hier wird die Genauigkeit des Deep-Learning-Modells unter Verwendung einer Verwirrungsmatrix gezeigt.

Insgesamt gibt es etwa 95000 Transaktionen, davon 62 betrügerische Transaktionen, was deutlich weniger als die Gesamttransaktion ist. Das Deep-Learning-Modell leistet jedoch gute Dienste, da es 52 korrekt als Betrug identifizieren kann, was auch als True Positive (tp) bezeichnet wird.

Es gibt 1 falsch positives Ergebnis (fp), was bedeutet, dass es sich nicht um einen Betrug handelt, das Modell ihn jedoch fälschlicherweise als Betrug gekennzeichnet hat. Die Genauigkeit, die tp / (tp +fp) beträgt, beträgt also 98 %.

Außerdem gibt es 10 falsch negative Ergebnisse (fn), was bedeutet, dass es sich um betrügerische Transaktionen handelt, unser Modell jedoch nicht in der Lage ist, sie vorherzusagen. Das Maß für die Erinnerung ist also tp / (tp + fn), was 83 % entspricht.

Die Deep-Learning-Architektur ist sehr leistungsfähig, da sie bei der Lösung komplexer Probleme wie der Betrugserkennung hilft. Eine visuelle Möglichkeit zur Analyse der Deep-Learning-Architektur ist hilfreich, um die Architektur zu verstehen und zu verstehen, wie sie das Problem löst

Datenquellenangabe für synthetische Finanzdatensätze zur Betrugserkennung

Die synthetischen Finanzdatensätze zur Betrugserkennung sind hier verfügbar: https://www.kaggle.com/competitions/spaceship-titanic/overview

Wie im Abschnitt „Lizenz“ angegeben, verfügt es über eine Lizenz CC BY-SA 4.0.

• Teilen — das Material in jedem Medium oder Format zu kopieren und weiterzuverbreiten
• Anpassen — das Material für beliebige Zwecke remixen, transformieren und darauf aufbauen, sogar kommerziell.

Bitte kontaktieren Sie uns, wenn Sie Probleme im Zusammenhang mit dieser Website haben oder Treten Sie Medium bei mit meinem Empfehlungslink.

Bitte kontaktieren Sie uns, wenn Sie Probleme im Zusammenhang mit dieser Website haben oder Abonnieren um auf dem Laufenden zu bleiben, wenn ich eine neue Geschichte veröffentliche.

Sie können meine Website besuchen, um Analysen ohne Programmieraufwand durchzuführen. https://experiencedatascience.com

Auf der Website können Sie auch an kommenden KI-Workshops teilnehmen und so ein interessantes und innovatives Data Science- und KI-Erlebnis erleben.

Hier ist ein Link zu meinem YouTube-Kanal
https://www.youtube.com/c/DataScienceDemonstrated

Deep Learning visuell erklärt, erneut veröffentlicht aus der Quelle https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 über https://towardsdatascience.com/feed

<!–

->