Seoses veebirakenduste kasutuselevõtu kasvu ja Interneti-kasutajate arvu kasvuga on digitaalsed pettused aasta-aastalt tõusuteel. Amazoni pettusedetektor pakub täielikult hallatavat teenust, mis aitab teil potentsiaalselt petturlikke võrgutegevusi paremini tuvastada, kasutades täiustatud masinõppe (ML) tehnikaid ja Amazoni enam kui 20 aastat pettuste tuvastamise kogemust.
Et aidata teil mitme kasutusjuhtumi korral pettusi kiiremini tabada, pakub Amazon Fraud Detector konkreetseid mudeleid kohandatud algoritmide, rikastuste ja funktsioonide teisendustega. Mudelikoolitus on täielikult automatiseeritud ja probleemideta ning saate järgida juhiseid kasutusjuhend või seotud blogipostitusi alustamiseks. Koolitatud mudelite puhul peate siiski otsustama, kas mudel on kasutuselevõtuks valmis. See nõuab teatud teadmisi ML, statistika ja pettuste tuvastamise kohta ning võib olla kasulik teada mõningaid tüüpilisi lähenemisviise.
See postitus aitab teil diagnoosida mudeli jõudlust ja valida kasutuselevõtuks õige mudeli. Tutvustame Amazon Fraud Detectori pakutavaid mõõdikuid, aitame teil võimalikke probleeme diagnoosida ja anname soovitusi mudeli jõudluse parandamiseks. Need lähenemisviisid on rakendatavad nii võrgupettuste ülevaate (OFI) kui ka tehingupettuste ülevaate (TFI) mudelimallide jaoks.
Lahenduse ülevaade
See postitus pakub täielikku protsessi teie mudeli jõudluse diagnoosimiseks. Kõigepealt tutvustatakse kõiki Amazon Fraud Detectori konsoolil kuvatavaid mudelimõõdikuid, sealhulgas AUC, skoori jaotus, segadusmaatriks, ROC kõver ja mudeli muutuja tähtsus. Seejärel tutvustame kolmeastmelist lähenemisviisi mudeli toimivuse diagnoosimiseks erinevate mõõdikute abil. Lõpuks anname soovitusi mudeli jõudluse parandamiseks tüüpiliste probleemide korral.
Eeldused
Enne oma Amazon Fraud Detectori mudelisse sukeldumist peate täitma järgmised eeltingimused:
- Looge AWS-i konto.
- Looge sündmuste andmestik modellikoolituse jaoks.
- Laadige oma andmed üles et Amazoni lihtne salvestusteenus (Amazon S3) või neelake oma sündmuste andmed Amazoni pettusedetektorisse.
- Ehitage Amazon Fraud Detectori mudel.
Mudeli mõõdikute tõlgendamine
Pärast mudelikoolituse lõppu hindab Amazon Fraud Detector teie mudelit, kasutades osa modelleerimisandmetest, mida mudelikoolituses ei kasutatud. See tagastab hindamismõõdikud lehel Mudeli versioon leht selle mudeli jaoks. Need mõõdikud kajastavad mudeli jõudlust, mida võite oodata tegelike andmete põhjal pärast tootmisse juurutamist.
Järgmine ekraanipilt näitab mudeli jõudlust, mille on tagastanud Amazon Fraud Detector. Hindade jaotamisel saate valida erinevaid lävesid (vasakul) ja segadusmaatriksit (paremal) värskendatakse vastavalt.
Toimivuse kontrollimiseks ja strateegiareeglite üle otsustamiseks saate kasutada järgmisi leide.
- AUC (kõveraalune pindala) - Selle mudeli üldine jõudlus. Mudel, mille AUC on 0.50, pole parem kui mündi viskamine, kuna see kujutab endast juhuslikku juhust, samas kui "täiuslikul" mudelil on skoor 1.0. Mida kõrgem AUC, seda paremini suudab teie mudel eristada pettusi seadustest.
- Hinde jaotus – Mudeli skoori jaotuste histogramm, eeldades 100,000 0 sündmusest koosnevat näidispopulatsiooni. Amazon Fraud Detector genereerib mudeli hinded vahemikus 1000–XNUMX, kus mida madalam on skoor, seda väiksem on pettuserisk. Parem eraldatus seaduslike (roheline) ja pettuste (sinine) populatsioonide vahel näitab tavaliselt paremat mudelit. Täpsemalt vt Mudeli hinded.
- Segadusmaatriks – Tabel, mis kirjeldab mudeli toimivust valitud antud punktiläve puhul, sealhulgas tõeliselt positiivne, tõeliselt negatiivne, valepositiivne, valenegatiivne, tõelise positiivse määra (TPR) ja valepositiivsuse määra (FPR). Tabelis olev arv eeldab 100,0000 XNUMX sündmusest koosnevat näidispopulatsiooni. Täpsemalt vt Mudeli jõudlusnäitajad.
- ROC (Receiver Operator Characteristic) kõver – Joonis, mis illustreerib mudeli diagnostilist võimet, nagu on näidatud järgmisel ekraanipildil. See joonistab tõelise positiivse määra valepositiivse määra funktsioonina kõigi võimalike mudeli skoori lävede ulatuses. Vaadake seda diagrammi valides Täpsem mõõdik. Kui olete treeninud ühe mudeli mitu versiooni, saate jõudluse muutuse kontrollimiseks valida erinevad FPR läved.
- Mudeli muutuja tähtsus – Mudeli muutujate järjestus nende panuse põhjal loodud mudelisse, nagu on näidatud järgmisel ekraanipildil. Suurima väärtusega mudelimuutuja on mudeli jaoks olulisem kui teised selle mudeliversiooni andmekogumis olevad mudelimuutujad ja see on vaikimisi loetletud ülaosas. Täpsemalt vt Mudeli muutuja tähtsus.
Mudeli jõudluse diagnoosimine
Enne mudeli tootmisse juurutamist peaksite kasutama Amazon Fraud Detectori tagastatud mõõdikuid, et mõista mudeli jõudlust ja diagnoosida võimalikke probleeme. ML-mudelite levinumad probleemid võib jagada kahte põhikategooriasse: andmetega seotud probleemid ja mudeliga seotud probleemid. Amazon Fraud Detector on mudeliga seotud probleemide eest hoolitsenud, kasutades teie mudeli taustaprogrammis hindamiseks ja häälestamiseks hoolikalt valideerimis- ja testimiskomplekte. Saate teha järgmised toimingud, et kontrollida, kas teie mudel on juurutamiseks valmis või sellel on võimalikud andmetega seotud probleemid.
- Kontrollige mudeli üldist jõudlust (AUC ja skoori jaotus).
- Vaadake üle ärinõuded (segaduse maatriks ja tabel).
- Kontrollige mudeli muutuja tähtsust.
Kontrollige mudeli üldist jõudlust: AUC ja skoori jaotus
Tulevikusündmuste täpsem ennustamine on alati ennustava mudeli esmane eesmärk. Amazon Fraud Detectori tagastatud AUC arvutatakse õigesti valitud testikomplekti põhjal, mida koolitusel ei kasutata. Üldiselt peetakse heaks mudeliks mudelit, mille AUC on suurem kui 0.9.
Kui jälgite mudelit, mille jõudlus on alla 0.8, tähendab see tavaliselt, et mudelil on arenguruumi (räägime selles postituses hiljem mudeli madala jõudluse levinumaid probleeme). Pange tähele, et "hea" toimivuse määratlus sõltub suuresti teie ettevõttest ja baasmudelist. Saate siiski järgida selles postituses toodud samme oma Amazoni pettusedetektori mudeli täiustamiseks, kuigi selle AUC on suurem kui 0.8.
Teisest küljest, kui AUC on üle 0.99, tähendab see, et mudel suudab peaaegu täiuslikult eraldada testkomplektis olevad pettused ja seaduslikud sündmused. See on mõnikord "liiga hea, et olla tõsi" stsenaarium (räägime selles postituses hiljem mudeli väga suure jõudluse levinumaid probleeme).
Lisaks üldisele AUC-le võib skoorijaotus teile ka öelda, kui hästi mudel on paigaldatud. Ideaalis peaksite nägema skaala kahes otsas suuremat osa legitiimsetest ja pettustest, mis näitab, et mudeli skoor suudab sündmused testikomplektis täpselt järjestada.
Järgmises näites on skoori jaotuse AUC 0.96.
Kui legitiimne ja pettuste jaotus kattus või koondus keskele, tähendab see tõenäoliselt, et mudel ei erista pettuse sündmusi legitiimsetest sündmustest, mis võib viidata andmete ajaloolise leviku muutumisele või sellele, et vajate rohkem andmeid või funktsioone.
Järgnev on näide skoori jaotusest, mille AUC on 0.64.
Kui leiate punkti, mis võib pettuse ja seaduslikud sündmused peaaegu ideaalselt jagada, on suur tõenäosus, et mudelil on sildi lekkeprobleem või pettusmustreid on liiga lihtne tuvastada, mis peaks teie tähelepanu köitma.
Järgmises näites on skoori jaotuse AUC 1.0.
Vaadake üle ettevõtte nõuded: segaduste maatriks ja tabel
Kuigi AUC on mudeli jõudluse mugav indikaator, ei pruugi see teie ettevõtte nõudeid otseselt kajastada. Amazon Fraud Detector pakub ka selliseid mõõdikuid nagu pettuste tabamise määr (tõeline positiivne määr), seaduslike sündmuste protsent, mis on valesti ennustatud pettuseks (valepositiivne määr) ja palju muud, mida kasutatakse sagedamini ärinõuetena. Pärast suhteliselt hea AUC-ga mudeli väljaõpetamist peate võrdlema mudelit oma ettevõtte vajadustega nende mõõdikutega.
Segadusmaatriks ja tabel pakuvad teile liidest, mille abil saate mõju üle vaadata ja kontrollida, kas see vastab teie ettevõtte vajadustele. Pange tähele, et arvud sõltuvad mudeli lävest, kus künnisest suurema skooriga sündmused liigitatakse pettusteks ja lävest madalama skooriga sündmused seaduslikeks. Saate valida, millist läve kasutada, olenevalt teie ettevõtte vajadustest.
Näiteks kui teie eesmärk on tabada 73% pettustest, siis (nagu on näidatud allolevas näites) saate valida läve, näiteks 855, mis võimaldab teil tabada 73% kõigist pettustest. Kuid mudel klassifitseerib ka 3% legitiimseid sündmusi petturlikuks. Kui see FPR on teie ettevõtte jaoks vastuvõetav, on mudel kasutuselevõtuks hea. Vastasel juhul peate mudeli jõudlust parandama.
Teine näide on see, kui seadusliku kliendi blokeerimise või väljakutse esitamise hind on äärmiselt kõrge, siis soovite madalat FPR-i ja suurt täpsust. Sel juhul saate valida künniseks 950, nagu on näidatud järgmises näites, mis jätab 1% seaduslikest klientidest pettusena klassifitseerimata ja 80% tuvastatud pettustest on tegelikult petturlikud.
Lisaks saate valida mitu läve ja määrata erinevaid tulemusi, näiteks blokeerida, uurida, läbida. Kui te ei leia õigeid lävesid ja reegleid, mis vastaksid kõigile teie ärinõuetele, peaksite kaaluma oma mudeli koolitamist rohkemate andmete ja atribuutidega.
Kontrollige mudeli muutuja tähtsust
. Mudeli muutuja tähtsus paanil kuvatakse, kuidas iga muutuja teie mudelisse panustab. Kui ühel muutujal on teistest oluliselt suurem tähtsus, võib see viidata sildi lekkele või sellele, et pettusmustreid on liiga lihtne tuvastada. Pange tähele, et muutuja tähtsus koondatakse tagasi teie sisendmuutujateks. Kui täheldate veidi suuremat tähtsust IP_ADDRESS
, CARD_BIN
, EMAIL_ADDRESS
, PHONE_NUMBER
, BILLING_ZIP
või SHIPPING_ZIP
, võib see olla rikastamisjõu tõttu.
Järgmine näide näitab mudeli muutuvat tähtsust võimaliku märgise lekke korral investigation_status
.
Mudeli muutuja tähtsus annab ka vihjeid selle kohta, millised täiendavad muutujad võiksid mudelit tõsta. Näiteks kui märkate madalat AUC-d ja müüjaga seotud funktsioonid on väga olulised, võiksite kaaluda rohkemate tellimuse funktsioonide kogumist, näiteks SELLER_CATEGORY
, SELLER_ADDRESS
ja SELLER_ACTIVE_YEARS
ja lisage need muutujad oma mudelisse.
Levinud probleemid mudeli madala jõudlusega
Selles jaotises käsitleme levinud probleeme, mis võivad mudeli madala jõudlusega seoses ette tulla.
Ajalooline andmete jaotus on muutunud
Ajalooline andmete levitamine toimub siis, kui teil on suur ärimuutus või andmete kogumise probleem. Näiteks kui tõite oma toote hiljuti turule uuel turul, IP_ADDRESS
, EMAIL
ja ADDRESS
seotud funktsioonid võivad olla täiesti erinevad ja ka pettuse viis võib muutuda. Amazon Fraud Detector kasutab EVENT_TIMESTAMP
andmete jagamiseks ja mudeli hindamiseks teie andmestiku sündmuste sobiva alamhulga kohta. Kui teie ajalooliste andmete jaotus muutub märkimisväärselt, võib hindamiskomplekt koolitusandmetest väga erineda ja esitatud mudeli jõudlus võib olla madal.
Saate kontrollida võimaliku andmete levitamise muudatuse probleemi, uurides oma ajaloolisi andmeid.
- Kasuta Amazoni pettusedetektori andmete profileerija tööriist, et kontrollida, kas pettuste määr ja puuduva sildi määr on aja jooksul muutunud.
- Kontrollige, kas muutujate jaotus aja jooksul on oluliselt muutunud, eriti suure muutuva tähtsusega funktsioonide puhul.
- Kontrollige muutujate jaotust aja jooksul sihtmuutujate kaupa. Kui märkate viimastes andmetes ühest kategooriast oluliselt rohkem pettusjuhtumeid, võiksite kontrollida, kas muudatus on teie äriotsuste põhjal mõistlik.
Kui leiate, et sildi puudujääk on väga kõrge või pettuste määr on viimastel kuupäevadel pidevalt langenud, võib see viidata sellele, et sildid ei ole täielikult valminud. Peaksite välja jätma uusimad andmed või ootama täpsete siltide kogumisega kauem ja seejärel oma mudelit ümber õpetama.
Kui märkate konkreetsetel kuupäevadel pettuste määra ja muutujate järsku tõusu, võiksite veelkord kontrollida, kas tegemist on kõrvalekalde või andmete kogumise probleemiga. Sel juhul peaksite need sündmused kustutama ja mudeli ümber õpetama.
Kui leiate, et aegunud andmed ei kajasta teie praegust ega tulevast äritegevust, peaksite koolitusest välja jätma vana andmete perioodi. Kui kasutate Amazon Fraud Detectoris salvestatud sündmusi, saate koolitustöö konfigureerimisel lihtsalt uue versiooni ümber õpetada ja valida õige kuupäevavahemiku. See võib viidata ka sellele, et teie ettevõtte pettusviis muutub aja jooksul suhteliselt kiiresti. Pärast mudeli juurutamist peate võib-olla oma mudelit sageli uuesti koolitama.
Vale muutujatüübi kaardistamine
Amazon Fraud Detector rikastab ja teisendab andmeid muutujatüüpide alusel. On oluline, et kaardistaksite oma muutujad õiget tüüpi, et Amazon Fraud Detectori mudel saaks võtta teie andmete maksimaalse väärtuse. Näiteks kui kaardistate IP
Euroopa CATEGORICAL
asemel tüüp IP_ADDRESS
, sa ei saa aru IP-
seotud rikastused taustaprogrammis.
Üldiselt soovitab Amazon Fraud Detector järgmisi toiminguid.
- Kaardistage oma muutujad teatud tüüpidega, nt
IP_ADDRESS
,EMAIL_ADDRESS
,CARD_BIN
jaPHONE_NUMBER
, et Amazon Fraud Detector saaks lisateavet ekstraheerida ja rikastada. - Kui te ei leia kindlat muutujatüüpi, vastendage see ühega kolmest üldisest tüübist.
NUMERIC
,CATEGORICAL
võiFREE_FORM_TEXT
. - Kui muutuja on tekstivormis ja sellel on suur kardinaalsus (nt kliendi arvustus või tootekirjeldus), peaksite selle vastendama
FREE_FORM_TEXT
muutujatüüp, nii et Amazon Fraud Detector ekstraktib teie eest taustaprogrammi tekstifunktsioonid ja manustused. Näiteks kui kaardistateurl_string
etFREE_FORM_TEXT
, suudab see URL-i märgistada ja eraldada teavet, et seda allavoolu mudelisse sisestada, mis aitab sellel URL-ist rohkem peidetud mustreid õppida.
Kui leiate, et mõni muutujatüüp on muutuja konfiguratsioonis valesti kaardistatud, saate muuta oma muutuja tüüpi ja seejärel mudelit ümber õpetada.
Ebapiisavad andmed või funktsioonid
Amazon Fraud Detector nõuab vähemalt 10,000 400 kirjet, et koolitada Online Fraud Insights (OFI) või Transaction Fraud Insights (TFI) mudelit, kusjuures vähemalt 100 kirjet tuvastatakse petturlikuna. TFI nõuab ka, et nii petturlikud kirjed kui ka seaduslikud kirjed pärineksid vähemalt XNUMX erinevast üksusest, et tagada andmestiku mitmekesisus. Lisaks nõuab Amazon Fraud Detector, et modelleerimisandmetel oleks vähemalt kaks muutujat. Need on minimaalsed andmenõuded kasuliku Amazoni pettusedetektori mudeli loomiseks. Ent rohkemate kirjete ja muutujate kasutamine aitab tavaliselt ML-mudelitel paremini õppida teie andmete aluseks olevaid mustreid. Kui märkate madalat AUC-d või ei leia teie ärinõuetele vastavaid lävesid, peaksite kaaluma oma mudeli ümberõpetamist rohkemate andmetega või mudelile uute funktsioonide lisamist. Tavaliselt leiame EMAIL_ADDRESS
, IP
, PAYMENT_TYPE
, BILLING_ADDRESS
, SHIPPING_ADDRESS
ja DEVICE
seotud muutujad on pettuste tuvastamisel olulised.
Teine võimalik põhjus on see, et mõned muutujad sisaldavad liiga palju puuduvaid väärtusi. Et näha, kas see juhtub, vaadake mudelitreeningu teateid ja vaadake Treeningandmete probleemide tõrkeotsing soovituste eest.
Levinud probleemid mudeli väga kõrge jõudluse korral
Selles jaotises käsitleme levinud probleeme, mis on seotud mudeli väga kõrge jõudlusega.
Märgistuse leke
Märgise lekkimine ilmneb siis, kui treeningu andmestikud kasutavad teavet, mis pole eeldatavasti ennustusajal saadaval. See hindab mudeli kasulikkust tootmiskeskkonnas käitamisel üle.
Kõrge AUC (lähedane 1-le), täiuslikult eraldatud skooride jaotus ja ühe muutuja oluliselt suurem muutuja tähtsus võivad olla märgid võimalike lekkeprobleemide näitajad. Funktsioonide ja sildi vahelist seost saate kontrollida ka kasutades Andmete profileerija. Funktsiooni ja sildi korrelatsioon graafik näitab korrelatsiooni iga tunnuse ja sildi vahel. Kui ühel funktsioonil on sildiga korrelatsioon üle 0.99, peaksite äriotsuste põhjal kontrollima, kas funktsiooni kasutatakse õigesti. Näiteks laenutaotluse heakskiitmiseks või tagasilükkamiseks riskimudeli koostamiseks ei tohiks te kasutada selliseid funktsioone nagu AMOUNT_PAID
, sest maksed toimuvad pärast emissioonide tagamise protsessi. Kui muutuja pole prognoosi tegemise ajal saadaval, peaksite selle muutuja mudeli konfiguratsioonist eemaldama ja uue mudeli ümber õpetama.
Järgmine näide näitab seost iga muutuja ja sildi vahel. investigation_status
on kõrge korrelatsiooniga (ligikaudu 1) sildiga, seega peaksite uuesti kontrollima, kas etiketil on lekkeprobleem.
Lihtsad pettusemustrid
Kui teie andmetes olevad pettusemustrid on lihtsad, võite täheldada ka mudeli väga kõrget jõudlust. Oletame näiteks, et kõik modelleerimisandmetes olevad pettusesündmused tulevad läbi sama sisemise teenusepakkuja; mudelil on lihtne valida IP-
seotud muutujad ja tagastavad "täiusliku" mudeli, millel on suur tähtsus IP
.
Lihtsad pettusemustrid ei viita alati andmetega seotud probleemile. Võib olla tõsi, et teie ettevõtte pettusviisi on lihtne tabada. Enne järelduse tegemist peate siiski veenduma, et mudelikoolituses kasutatavad sildid on täpsed ja modelleerimisandmed hõlmavad võimalikult palju pettusmustreid. Näiteks kui märgistate oma pettusesündmused reeglite alusel, näiteks märgistate kõik konkreetse rakenduse kõik rakendused BILLING_ZIP
pluss PRODUCT_CATEGORY
kui pettus, saab mudel neid pettusi hõlpsalt tabada, simuleerides reegleid ja saavutades kõrge AUC.
Saate kontrollida iga funktsiooni siltide jaotust erinevates kategooriates või prügikastides, kasutades Andmete profileerija. Näiteks kui märkate, et enamik pettusjuhtumeid pärineb ühest või mitmest tootekategooriast, võib see viidata lihtsatele petuskeemidele ja peate kinnitama, et tegemist ei ole andmete kogumise või töötlemise veaga. Kui funktsioon on nagu CUSTOMER_ID
, peaksite mudelitreeningul selle funktsiooni välistama.
Järgmine näide näitab siltide jaotust erinevates kategooriates product_category
. Kõik pettused pärinevad kahest tootekategooriast.
Vale andmeproovi võtmine
Kui valisite ja saatsite Amazon Fraud Detectorile ainult osa andmetest, võib juhtuda vale andmeproovide võtmine. Kui andmete valimit ei võeta õigesti ja need ei kajasta tootmisliiklust, on esitatud mudeli toimivus ebatäpne ja mudel võib tootmise prognoosimiseks kasutu olla. Näiteks kui kõik modelleerimisandmetes olevad pettusesündmused on võetud Aasiast ja kõik seaduslikud sündmused on võetud USA-st, võib mudel õppida pettusi ja seaduslikke sündmusi eraldama. BILLING_COUNTRY
. Sel juhul ei ole mudel teiste populatsioonide jaoks üldine.
Tavaliselt soovitame saata kõik viimased sündmused ilma proovivõtuta. Lähtudes andmete suurusest ja pettuste määrast, teeb Amazon Fraud Detector proovide võtmise enne mudelikoolitust. Kui teie andmed on liiga suured (üle 100 GB) ja otsustate võtta valimi ja saata ainult alamhulga, peaksite andmetest juhuslikult valima ja veenduma, et valim esindab kogu populatsiooni. TFI puhul peaksite valima oma andmetest olemi kaupa, mis tähendab, et kui üks olem valitakse, peaksite kaasama kogu selle ajaloo, et olemi taseme koondtulemused arvutataks õigesti. Pange tähele, et kui saadate Amazon Fraud Detectorile ainult andmete alamhulka, võivad reaalajas agregaadid järelduse ajal olla ebatäpsed, kui üksuste varasemaid sündmusi ei saadeta.
Teine vale andmeproovide võtmine võib olla ainult lühikese andmeperioodi (nt ühe päeva andmete) kasutamine mudeli koostamiseks. Andmed võivad olla kallutatud, eriti kui teie ettevõtte või pettuste rünnakud on hooajalised. Tavaliselt soovitame modelleerimisel kaasata vähemalt kahe tsükli (nt 2 nädala või 2 kuu) väärtuses andmeid, et tagada pettusetüüpide mitmekesisus.
Järeldus
Pärast kõigi võimalike probleemide diagnoosimist ja lahendamist peaksite hankima kasuliku Amazon Fraud Detectori mudeli ja olema selle toimivuses kindel. Järgmise sammuna sina saab luua mudeli ja teie ärireeglitega detektorija olge valmis seda varirežiimi hindamiseks tootmisprotsessis juurutama.
Lisa
Kuidas välistada muutujaid mudelkoolituse jaoks
Pärast sügavat sukeldumist võite tuvastada muutuva lekke sihtmärgi teabe ja soovite selle mudelitreeningust välja jätta. Saate mudeli versiooni ümber õpetada, välistades muutujad, mida te ei soovi, järgides järgmisi samme.
- Valige Amazon Fraud Detectori konsooli navigeerimispaanil Mudelid.
- Kohta Mudelid lehel, valige mudel, mida soovite ümber õpetada.
- Kohta Meetmete menüüst valige Treeni uus versioon.
- Valige kuupäevavahemik, mida soovite kasutada, ja valige järgmine.
- Kohta Treeningute seadistamine lehel, tühjendage selle muutuja valik, mida te ei soovi mudelikoolituses kasutada.
- Määrake oma pettuste sildid ja seaduslikud sildid ning kuidas soovite, et Amazon Fraud Detector kasutaks märgistamata sündmusi, seejärel valige järgmine.
- Vaadake üle mudeli konfiguratsioon ja valige Looge ja treenige mudel.
Kuidas muuta sündmuse muutuja tüüpi
Muutujad esindavad pettuste ennetamiseks kasutatavaid andmeelemente. Amazon Fraud Detectoris on kõik muutujad globaalsed ning neid jagatakse kõigi sündmuste ja mudelite vahel, mis tähendab, et ühte muutujat saab kasutada mitme sündmuse puhul. Näiteks võib IP-aadressi seostada sisselogimissündmustega ja seda võib seostada ka tehingusündmustega. Loomulikult lukustas Amazon Fraud Detector muutuja tüübi ja andmetüübi pärast muutuja loomist. Olemasoleva muutuja kustutamiseks peate esmalt kustutama kõik seotud sündmuste tüübid ja mudelid. Saate kontrollida konkreetse muutujaga seotud ressursse, navigeerides Amazon Fraud Detectorisse ja valides Muutujad navigeerimispaanil ja valides muutuja nime ja Seotud ressursid.
Kustutage muutuja ja kõik seotud sündmusetüübid
Muutuja kustutamiseks toimige järgmiselt.
- Valige Amazon Fraud Detectori konsooli navigeerimispaanil Muutujad.
- Valige muutuja, mida soovite kustutada.
- Vali Seotud ressursid et vaadata kõigi seda muutujat kasutatud sündmuste tüüpide loendit.
Enne muutuja kustutamist peate need seotud sündmusetüübid kustutama. - Seotud sündmusetüübi lehele minemiseks valige loendist sündmuste tüübid.
- Vali Salvestatud sündmused et kontrollida, kas selle sündmusetüübi alla on salvestatud andmeid.
- Kui Amazon Fraud Detectoris on salvestatud sündmusi, valige Kustutage salvestatud sündmused salvestatud sündmuste kustutamiseks.
Kui kustutamistöö on lõpetatud, kuvatakse teade "Selle sündmusetüübi salvestatud sündmused kustutati edukalt". - Vali Seotud ressursid.
Kui detektorid ja mudelid on selle sündmusetüübiga seotud, peate esmalt need ressursid kustutama. - Kui detektorid on seotud, toimige kõigi seotud detektorite kustutamiseks järgmiselt.
- Valige detektor, mida soovite avada Detektori üksikasjad lehel.
- aasta Mudeli versioonid paanil valige detektori versioon.
- Valige detektori versiooni lehel Meetmete.
- Kui detektori versioon on aktiivne, valige Deaktiveerima, vali Deaktiveerige see detektori versioon ilma seda teise versiooniga asendamataja vali Deaktiveeri detektori versioon.
- Pärast detektori versiooni desaktiveerimist valige Meetmete ja siis kustutama.
- Kõigi detektori versioonide kustutamiseks korrake neid samme.
- Kohta Detektori üksikasjad lehel, valige Seotud reeglid.
- Valige kustutatav reegel.
- Vali Meetmete ja Kustuta reegli versioon.
- Sisestage kinnitamiseks ja valimiseks reegli nimi Kustuta versioon.
- Kõigi seotud reeglite kustutamiseks korrake neid samme.
- Kui kõik detektori versioonid ja seotud reeglid on kustutatud, minge lehele Detektori üksikasjad lehel, valige Meetmeteja vali Kustuta detektor.
- Sisestage detektori nimi ja valige Kustuta detektor.
- Järgmise detektori kustutamiseks korrake neid samme.
- Kui sündmuse tüübiga on seotud mõni mudel, tehke nende kustutamiseks järgmised sammud.
- Valige mudeli nimi.
- aasta Mudeli versioonid paneel, valige versioon.
- Kui mudeli olek on
Active
, vali Meetmete ja Tühista mudeli versiooni juurutamine. - sisene
undeploy
kinnitamiseks ja valimiseks Tühista mudeli versiooni juurutamine.
Olek muutub olekuksUndeploying
. Protsessi lõpuleviimiseks kulub mõni minut. - Pärast seda, kui staatus muutub
Ready to deploy
, valige Toimingud ja Kustuta. - Kõigi mudeliversioonide kustutamiseks korrake neid samme.
- Lehel Mudeli üksikasjad valige Toimingud ja Kustuta mudel.
- Sisestage mudeli nimi ja valige Kustuta mudel.
- Järgmise mudeli kustutamiseks korrake neid samme.
- Kui kõik seotud detektorid ja mudelid on kustutatud, valige Meetmete ja Kustuta sündmuse tüüp kohta Ürituse üksikasjad lehel.
- Sisestage sündmuse tüübi nimi ja valige Kustuta sündmuse tüüp.
- Valige navigeerimispaanil Muutujadja valige muutuja, mida soovite kustutada.
- Korrake varasemaid samme, et kustutada kõik muutujaga seotud sündmusetüübid.
- Kohta Muutuvad detailid lehel, valige Meetmete ja Kustuta.
- Sisestage muutuja nimi ja valige Kustuta muutuja.
Looge õige muutujatüübiga uus muutuja
Kui olete muutuja ja kõik seotud sündmusetüübid, salvestanud sündmused, mudelid ja detektorid rakendusest Amazon Fraud Detector, saate luua uue samanimelise muutuja ja vastendada selle õigele muutujatüübile.
- Valige Amazon Fraud Detectori konsooli navigeerimispaanil Muutujad.
- Vali Looma.
- Sisestage muutuja nimi, mida soovite muuta (see, mille varem kustutasite).
- Valige õige muutuja tüüp, mida soovite muuta.
- Vali Loo muutuja.
Laadige andmed üles ja koolitage mudel uuesti
Pärast muutuja tüübi värskendamist saate andmed uuesti üles laadida ja uue mudeli välja õpetada. Juhiste saamiseks vaadake Tuvastage veebitehingute pettused Amazoni pettusedetektori uute funktsioonidega.
Kuidas olemasolevale sündmusetüübile uusi muutujaid lisada
Olemasolevale sündmusetüübile uute muutujate lisamiseks toimige järgmiselt.
- Lisage uued muutujad eelmisele koolitus-CVS-failile.
- Laadige uus treeningandmete fail üles S3 ämbrisse. Pange tähele oma treeningfaili Amazon S3 asukohta (näiteks
s3://bucketname/path/to/some/object.csv
) ja teie rolli nimi. - Valige Amazon Fraud Detectori konsooli navigeerimispaanil Sündmused.
- Kohta Sündmuste tüübid lehel, valige sündmuse tüübi nimi, millele soovite muutujaid lisada.
- Kohta Sündmuse tüüp üksikasjade lehel, valige Meetmete, Siis Lisa muutujad.
- alla Valige, kuidas selle sündmuse muutujaid määratleda, vali Valige treeninguandmestikust muutujad.
- IAM-rolli jaoks valige olemasolev IAM-roll või looge uus roll, et pääseda juurde Amazon S3-s andmetele.
- eest Andmete asukoht, sisestage uue treeningfaili S3 asukoht ja valige Laadi üles.
Uued muutujad, mida olemasolevas sündmusetüübis ei esine, peaksid loendis ilmuma.
- Vali Lisa muutujad.
Nüüd on uued muutujad lisatud olemasolevale sündmusetüübile. Kui kasutate Amazon Fraud Detectoris salvestatud sündmusi, puuduvad salvestatud sündmuste uued muutujad endiselt. Peate importima koolitusandmed koos uute muutujatega Amazon Fraud Detectorisse ja seejärel uue mudeliversiooni ümber õpetama. Uute treeningandmete üleslaadimisel samaga EVENT_ID
ja EVENT_TIMESTAMP
, kirjutavad uued sündmusemuutujad üle eelmised sündmuse muutujad, mis on salvestatud rakenduses Amazon Fraud Detector.
Autoritest
Julia Xu on Amazoni pettusedetektoriga teadlane. Ta on kirglik klientide väljakutsete lahendamise vastu, kasutades masinõppe tehnikaid. Vabal ajal naudib ta matkamist, maalimist ja uute kohvikute avastamist.
Hao Zhou on Amazoni pettusedetektoriga teadlane. Tal on doktorikraad USA Northwesterni ülikoolist elektrotehnika erialal. Ta on kirglik masinõppetehnikate rakendamise vastu, et võidelda pettuste ja kuritarvitamisega.
Abhishek Ravi on Amazon Fraud Detectori vanemtootejuht. Ta on kirglik tehniliste võimaluste ärakasutamise vastu, et luua kliente rõõmustavaid tooteid.
- Münditark. Euroopa parim Bitcoini ja krüptobörs.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
- CryptoHawk. Altcoini radar. Tasuta prooviversioon.
- Allikas: https://aws.amazon.com/blogs/machine-learning/diagnose-model-performance-before-deployment-for-amazon-fraud-detector/
- "
- 000
- 10
- 100
- 20 aastat
- 9
- a
- võime
- MEIST
- juurdepääs
- vastavalt
- konto
- täpne
- üle
- meetmete
- aktiivne
- tegevus
- lisatud
- lisamine
- Täiendavad lisad
- Vastuvõtmine
- edasijõudnud
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- alati
- Amazon
- kohaldatav
- taotlus
- rakendused
- rakendatud
- Rakendades
- lähenemine
- lähenemisviisid
- asjakohane
- heaks kiitma
- PIIRKOND
- Aasia
- seotud
- tähelepanu
- atribuudid
- Automatiseeritud
- saadaval
- AWS
- Baseline
- sest
- enne
- alla
- Parem
- vahel
- Blokeerima
- piir
- tooma
- ehitama
- äri
- arvutatud
- võimeid
- lüüa
- mis
- juhul
- juhtudel
- maadlus
- Kategooria
- Põhjus
- kindel
- väljakutseid
- raske
- muutma
- Vali
- salastatud
- Kohv
- Münt
- koguma
- Kollektsioneerimine
- kogumine
- vastu
- Tulema
- ühine
- täitma
- täiesti
- lõpetamist
- kindel
- konfiguratsioon
- segadus
- Arvestama
- konsool
- Mugav
- võiks
- looma
- loodud
- Praegune
- kõver
- klient
- Kliendid
- andmed
- Kuupäevad
- sügav
- Olenevalt
- sõltub
- juurutada
- juurutamine
- kasutuselevõtu
- kirjeldus
- detailid
- Detection
- erinev
- digitaalne
- otse
- arutama
- Näidikute
- jaotus
- Väljamaksed
- mitmekesisus
- Ei tee
- langes
- ajal
- iga
- kergesti
- elemendid
- Lõpuks-lõpuni
- lõppeb
- Inseneriteadus
- rikastab
- sisene
- üksuste
- üksus
- keskkond
- eriti
- hindama
- hindamine
- sündmus
- sündmused
- näide
- välja arvatud
- olemasolevate
- ootama
- oodatav
- teadmised
- Väljavõtted
- kiiremini
- tunnusjoon
- FUNKTSIOONID
- Lõpuks
- esimene
- järgima
- Järel
- vorm
- pettus
- tasuta
- Alates
- funktsioon
- tulevik
- Üldine
- loodud
- Globaalne
- eesmärk
- hea
- suurem
- Green
- Kasv
- juhtuda
- aitama
- kasulik
- aitab
- Suur
- rohkem
- kõrgelt
- ajalooline
- ajalugu
- omab
- Kuidas
- Kuidas
- aga
- HTTPS
- identifitseerima
- mõju
- tähtsus
- oluline
- parandama
- paranemine
- sisaldama
- Kaasa arvatud
- näitama
- info
- sisend
- teadmisi
- Interface
- Internet
- uurima
- IP
- probleem
- küsimustes
- IT
- töö
- otsuseid
- Teadma
- teadmised
- silt
- märgistamine
- Labels
- suur
- suurem
- hiljemalt
- käivitatud
- lekkima
- Õppida
- õppimine
- Tase
- võimendav
- nimekiri
- Loetletud
- liising
- lukus
- masin
- masinõpe
- tegema
- Tegemine
- juhitud
- juht
- kaart
- Turg
- maatriks
- vahendid
- kirjad
- Meetrika
- võib
- miinimum
- ML
- mudel
- mudelid
- kuu
- rohkem
- kõige
- mitmekordne
- navigeerimine
- NAVIGATSIOON
- vajadustele
- negatiivne
- Uued funktsioonid
- uus turg
- järgmine
- number
- numbrid
- Pakkumised
- Internetis
- operaator
- et
- Muu
- muidu
- üldine
- osa
- kirglik
- maksed
- protsent
- jõudlus
- periood
- Punkt
- rahvastik
- positiivne
- võimalik
- potentsiaal
- võim
- ennustus
- esitada
- Ennetamine
- eelmine
- esmane
- probleeme
- protsess
- Toode
- Produktsioon
- Toodet
- anda
- tingimusel
- tarnija
- annab
- kiiresti
- valik
- reaalajas
- mõistlik
- hiljuti
- hiljuti
- soovitama
- andmed
- kajastama
- kohta
- esindama
- esindaja
- esindab
- Nõuded
- Vajab
- teadustöö
- Vahendid
- tagasipöördumine
- Tulu
- läbi
- tõusev
- Oht
- Roll
- eeskirjade
- jooks
- sama
- Skaala
- teadlane
- väljavalitud
- teenus
- komplekt
- vari
- jagatud
- kauplused
- Lühike
- näitama
- näidatud
- lihtne
- SUURUS
- So
- tahke
- Lahendamine
- mõned
- konkreetse
- jagada
- alustatud
- statistika
- olek
- Veel
- ladustamine
- Strateegia
- Edukalt
- sihtmärk
- Tehniline
- tehnikat
- malle
- test
- Testimine
- .
- kolm
- künnis
- Läbi
- aeg
- tööriist
- ülemine
- TPR
- liiklus
- Rong
- koolitus
- tehing
- muundumised
- liigid
- tüüpiliselt
- all
- mõistma
- Ülikool
- Värskendused
- us
- USA
- kasutama
- Kasutajad
- tavaliselt
- kasulikkus
- kinnitamine
- väärtus
- versioon
- vaade
- ootama
- M
- kas
- kuigi
- ilma
- väärt
- oleks
- aasta
- aastat
- Sinu