A mélytanulás megértése vizuális példák segítségével
A mélytanulás az egyik legerősebb AI-technika, azonban nehéz lehet megérteni. Ebben a blogban megpróbálom elmagyarázni a mély tanulást látványelemek és példák segítségével.
A mély tanulási architektúrát az agyunk működése ihlette. Ez a neuronok kapcsolata. A mély tanulási modelleknek számos paramétere lehet. A paraméterek száma a rétegek és a neuronok számán alapul, amelyek exponenciálisan növekedhetnek a kifinomult architektúra esetén.
Ebben a blogban a pénzügyi csalások felderítésének üzleti felhasználási esetét veszem figyelembe. A csalásfelderítés egyik legnagyobb kihívása az osztálykiegyensúlyozatlanság problémája, ami azt jelenti, hogy a gépi tanulási modellek betanításához használt adatokban nagyon kevés csalási eset fordul elő.
Ez olyan, mint egy gépi tanulási modell betanítása, hogy tűt találjon a szénakazalban. A csalások felderítése olyan speciális probléma, amely indokolja az olyan kifinomult megközelítést, mint például a mély tanulási architektúra.
A példában a banki tranzakciós rendszerből veszek adatokat. Az adatok az alábbiak szerint néznek ki. Az adatok tartalmazzák a pénzügyi tranzakció típusát, összegét, valamint a származási és célállomási régi egyenleget és az új egyenleget. Van egy zászló is, amely jelzi, hogy a tranzakció csaló volt-e vagy sem.
Az adatkészlet hivatkozása a blog végén található.
Az adatok képzési és tesztadatokra vannak felosztva. A mély tanulási modellt a képzési halmazon fejlesztik, majd a tesztadatokon érvényesítik. Ezután ez a modell felhasználható a nem látott adatokkal kapcsolatos csalások előrejelzésére.
Itt látható a csalás előrejelzésének mély tanulási modellje. A bemeneti neuronok megfelelnek a tranzakciós adatoknak. Minden idegsejt egy oszlopnak felel meg a bemeneti adatokban, mint például a tranzakció típusa, az összeg és az egyenleg információ a kiindulási és célállomáson.
Van egy közbülső réteg, majd az utolsó réteg, amelynek két neuronja van, az egyik a csalás hiányát, a másik pedig a csalást.
A vonalak a különböző rétegek között átadott jelek. A zöld vonal pozitív jelet, a piros vonal pedig a negatív jelet jelzi
Látjuk, hogy az 1_0 neuron pozitív jelet ad át a Fraud neuronnak.
Ez azt jelenti, hogy alaposan megtanulta, hogyan néz ki egy csalárd tranzakció! Ez izgalmas !
Nézzünk be az 1_0 neuronba!
A radardiagram azt mutatja be, hogy a neuron mit tanult az adatokról. A kék vonal a magas, a piros vonal az alacsony értéket jelzi. A radardiagram magas, de szinte hasonló régi és új egyensúlyt jelez az origónál. A régi és az új egyenleg között azonban nagyon nagy különbség van a célállomáson.
Az ilyen helyzet csalásra utal. Ez a helyzet az alábbiakban vizuálisan bemutatható.
Itt látható a mély tanulási modell pontossága egy zavaros mátrix használatával.
Összesen mintegy 95000 62 tranzakcióról van szó, amelyből 52 csalárd tranzakció van, ami rendkívül kevesebb, mint a teljes tranzakció. A mélytanulási modell azonban jól működik, mivel képes XNUMX-t helyesen csalásként azonosítani, amit igaz pozitívnak (tp) is neveznek.
1 hamis pozitív (fp) van, vagyis nem csalás, de a modell tévesen csalásnak jelölte meg. Tehát a pontosság, ami tp / (tp +fp), 98%.
Emellett van 10 hamis negatív (fn), ami azt jelenti, hogy csalárd tranzakciókról van szó, de modellünk nem képes előre jelezni őket. Tehát a mérték visszahívása, amely tp / (tp +fn), ami 83%
A mélytanulási architektúra nagyon hatékony, mivel segít megoldani az összetett problémákat, például a csalások felderítését. A mély tanulási architektúra elemzésének vizuális módja hasznos az architektúra és a probléma megoldásának megértésében
Adatforrás hivatkozás a csalások felderítésére szolgáló szintetikus pénzügyi adatkészletekhez
A csalások felderítésére szolgáló szintetikus pénzügyi adatkészletek itt érhetők el: https://www.kaggle.com/competitions/spaceship-titanic/overview
A Licenc szakaszban meghatározottak szerint licenccel rendelkezik CC BY-SA 4.0.
- Megosztás — az anyagot bármilyen médiában vagy formátumban másolni és újra terjeszteni
- alkalmazkodni – újrakeverni, átalakítani és az anyagot bármilyen célra, akár kereskedelmi célra is építeni.
További részletekért kérem lapozgasson a menüben; szülőknek szóló egyéni ajánlatokat pedig a csatlakozzon a Médiumhoz az ajánló linkjemmel.
További részletekért kérem lapozgasson a menüben; szülőknek szóló egyéni ajánlatokat pedig a Iratkozz fel hogy mindig értesüljek, amikor új történetet adok ki.
Látogassa meg webhelyemet, ahol nulla kódolású elemzéseket készíthet. https://experiencedatascience.com
A weboldalon részt vehet a közelgő mesterséges intelligencia workshopokon is, ahol érdekes és innovatív adattudományi és AI-tapasztalatokat szerezhet.
Itt van egy link a YouTube csatornámhoz
https://www.youtube.com/c/DataScienceDemonstrated
A Deep Learning Visually Explained újra közzétéve a következő forrásból: https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 a https://towardsdatascience.com/feed oldalon
<!–
->
- Bitcoin
- bizbuildermike
- blockchain
- blokklánc megfelelőség
- blockchain konferencia
- Blockchain tanácsadók
- coinbase
- coingenius
- megegyezés
- kriptokonferencia
- kriptikus bányászat
- cryptocurrency
- decentralizált
- Defi
- Digitális eszközök
- Ethereum
- gépi tanulás
- nem helyettesíthető token
- Plató
- plato ai
- Platón adatintelligencia
- Platoblockchain
- PlatoData
- platogaming
- Poligon
- a tét igazolása
- W3
- zephyrnet