Zrozumienie głębokiego uczenia się na przykładach wizualnych
Głębokie uczenie się jest jedną z najpotężniejszych technik sztucznej inteligencji, jednak może być trudne do zrozumienia. Na tym blogu postaram się wyjaśnić głębokie uczenie się za pomocą wizualizacji i przykładów.
Architektura głębokiego uczenia się inspirowana jest działaniem naszego mózgu. Jest to połączenie neuronów. Modele głębokiego uczenia się mogą mieć wiele parametrów. Liczba parametrów opiera się na liczbie warstw i neuronów, która może rosnąć wykładniczo w przypadku wyrafinowanej architektury.
W tym blogu zajmę się biznesowym przypadkiem wykrywania oszustw finansowych. Jednym z największych wyzwań w wykrywaniu oszustw jest problem braku równowagi klas, co oznacza, że w przypadku danych wykorzystywanych do uczenia modeli uczenia maszynowego występuje bardzo niewiele przypadków oszustw.
To jakby trenować model uczenia maszynowego, aby znaleźć igłę w stogu siana. Wykrywanie oszustw to szczególny problem uzasadniający zastosowanie wyrafinowanego podejścia, takiego jak architektura głębokiego uczenia się.
W przykładzie pobiorę dane z bankowego systemu transakcyjnego. Dane wyglądają tak, jak pokazano tutaj. Dane obejmują rodzaj transakcji finansowej, kwotę, a także miejsce pochodzenia i przeznaczenia, stare i nowe saldo. Istnieje również flaga wskazująca, czy transakcja była oszukańcza, czy nie.
Cytat zbioru danych jest dostępny na końcu bloga.
Dane są podzielone na dane szkoleniowe i testowe. Model głębokiego uczenia się jest tworzony na zbiorze uczącym, a następnie jest weryfikowany na danych testowych. Następnie model ten można wykorzystać do przewidywania oszustw na niewidocznych danych.
Tutaj pokazano model głębokiego uczenia się do przewidywania oszustw. Neurony wejściowe odpowiadają danym transakcyjnym. Każdy neuron odpowiada kolumnie danych wejściowych, takich jak rodzaj transakcji, kwota i informacje o saldzie w miejscu pochodzenia i przeznaczenia.
Jest jedna warstwa pośrednia, a następnie warstwa końcowa, która ma dwa neurony, jeden, który przewiduje brak oszustwa, a drugi, który przewiduje brak oszustwa.
Linie to sygnały przesyłane pomiędzy różnymi warstwami. Zielona linia oznacza sygnał dodatni, a czerwona linia oznacza sygnał ujemny
Widzimy, że neuron 1_0 przekazuje pozytywny sygnał do neuronu Fraud.
Oznacza to, że dogłębnie nauczył się, jak wygląda oszukańcza transakcja! To ekscytujące !
Zajrzyjmy do wnętrza neuronu 1_0!
Wykres radarowy przedstawia to, czego neuron dowiedział się o danych. Niebieska linia oznacza wysoką wartość, a czerwona linia oznacza niską wartość. Mapa radarowa wskazuje na wysoką, ale prawie podobną starą i nową równowagę na początku. Istnieje jednak bardzo duża różnica pomiędzy starym i nowym saldem w miejscu docelowym.
Taka sytuacja jest oznaką oszustwa. Sytuację tę można wizualnie przedstawić poniżej.
Tutaj pokazano dokładność modelu głębokiego uczenia się przy użyciu macierzy zamieszania.
W sumie jest około 95000 62 transakcji, z czego 52 transakcje fałszywe, czyli znacznie mniej niż całkowita transakcja. Jednak model głębokiego uczenia się radzi sobie dobrze, ponieważ jest w stanie poprawnie zidentyfikować XNUMX jako oszustwo, co nazywa się również prawdziwie pozytywnym (tp)
Jest 1 wynik fałszywie pozytywny (fp), co oznacza, że nie jest to oszustwo, ale model błędnie oznaczył to jako oszustwo. Zatem precyzja, która wynosi tp/(tp +fp), wynosi 98%.
Ponadto istnieje 10 wyników fałszywie ujemnych (fn), co oznacza, że są to transakcje oszukańcze, ale nasz model nie jest w stanie ich przewidzieć. Zatem przypomnienie miary wynosi tp / (tp +fn), co wynosi 83%
Architektura głębokiego uczenia się ma ogromne możliwości, ponieważ pomaga rozwiązywać złożone problemy, takie jak wykrywanie oszustw. Wizualny sposób analizowania architektury głębokiego uczenia się jest przydatny w zrozumieniu architektury, a także sposobu, w jaki rozwiązuje problem
Cytowanie źródła danych dotyczące syntetycznych zbiorów danych finansowych do wykrywania oszustw
Syntetyczne zbiory danych finansowych do wykrywania oszustw są dostępne tutaj: https://www.kaggle.com/competitions/spaceship-titanic/overview
Jak określono w sekcji Licencja, posiada licencję CC BY-SA 4.0.
- Share — kopiować i redystrybuować materiałów na jakimkolwiek nośniku lub w jakimkolwiek formacie
- Przystosować się — remiksować, przekształcać i opierać się na materiale w dowolnym celu, nawet komercyjnym.
Proszę dołącz do Medium z moim linkiem polecającym.
Proszę subskrybuj aby być na bieżąco, gdy opublikuję nową historię.
Możesz odwiedzić moją stronę internetową, aby przeprowadzić analizy bez kodowania. https://experiencedatascience.com
Na stronie możesz także wziąć udział w nadchodzących warsztatach AI, aby zdobyć ciekawe i innowacyjne doświadczenie w zakresie analityki danych i sztucznej inteligencji.
Oto link do mojego kanału YouTube
https://www.youtube.com/c/DataScienceDemonstrated
Głębokie uczenie się wyjaśnione wizualnie Opublikowano ponownie ze źródła https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 przez https://towardsdatascience.com/feed
<!–
->
- Bitcoin
- bizbuildermike
- blockchain
- zgodność z technologią blockchain
- konferencja blockchain
- Konsultanci Blockchain
- coinbase
- pomysłowość
- Zgoda
- konferencja kryptograficzna
- wydobycie kryptograficzne
- kryptowaluta
- Zdecentralizowane
- DeFi
- Zasoby cyfrowe
- ethereum
- uczenie maszynowe
- niezamienny żeton
- plato
- Platon Ai
- Analiza danych Platona
- Platoblockchain
- PlatoDane
- platogaming
- Wielokąt
- dowód stawki
- W3
- zefirnet