Візуальне пояснення глибокого навчання

Розуміння глибинного навчання на візуальних прикладах

Глибоке навчання є одним із найпотужніших методів штучного інтелекту, однак його може бути важко зрозуміти. У цьому блозі я спробую пояснити глибинне навчання за допомогою візуальних матеріалів і прикладів.

Архітектура глибокого навчання заснована на тому, як працює наш мозок. Це зв'язок нейронів. Моделі глибокого навчання можуть мати багато параметрів. Кількість параметрів базується на кількості шарів і нейронів, яка може експоненціально зростати для складної архітектури.

У цьому блозі я розгляну бізнес-випадок виявлення фінансового шахрайства. Однією з найбільших проблем у виявленні шахрайства є проблема дисбалансу класів, що означає, що дані, які використовуються для навчання моделей машинного навчання, містять дуже мало випадків шахрайства.

Це як навчити модель машинного навчання знаходити голку в стозі сіна. Виявлення шахрайства є особливою проблемою, яка виправдовує наявність складного підходу, такого як архітектура глибокого навчання.

У прикладі я візьму дані з системи банківських операцій. Дані виглядають так, як показано тут. Дані містять тип фінансової операції, суму, а також джерело та призначення старого балансу та нового балансу. Існує також позначка, яка вказує, чи була транзакція шахрайською чи ні.

Цитата для набору даних доступна в кінці блогу.

Дані розділені на навчальні та тестові дані. Модель глибокого навчання розробляється на навчальному наборі, а потім перевіряється на тестових даних. Потім цю модель можна використовувати для прогнозування шахрайства з невидимими даними.

Тут показано модель глибокого навчання для прогнозування шахрайства. Вхідні нейрони відповідають даним транзакції. Кожен нейрон відповідає стовпцю у вхідних даних, таких як тип транзакції, сума та інформація про баланс у джерелі та пункті призначення.

Існує один проміжний рівень, а потім останній, який містить два нейрони: один прогнозує відсутність шахрайства, а інший – відсутність шахрайства.

Лінії - це сигнали, що передаються між різними шарами. Зелена лінія вказує на позитивний сигнал, а червона – на негативний

Ми бачимо, що нейрон 1_0 передає позитивний сигнал нейрону Fraud.

Це означає, що він глибоко вивчив, як виглядає шахрайська транзакція! Це захоплююче!

Давайте заглянемо всередину нейрона 1_0!

Радарна діаграма є відображенням того, що нейрон дізнався про дані. Синя лінія вказує на високе значення, а червона лінія вказує на низьке значення. Радарна діаграма вказує на високий, але майже подібний старий і новий баланс у початку. Однак існує дуже велика різниця між старим і новим балансом у пункті призначення.

Така ситуація є ознакою шахрайства. Цю ситуацію можна наочно показати нижче.

Тут показано точність моделі глибокого навчання з використанням матриці плутанини.

Загалом є близько 95000 62 транзакцій, з яких 52 шахрайські, що значно менше, ніж загальна кількість транзакцій. Однак модель глибокого навчання працює добре, оскільки вона здатна правильно ідентифікувати XNUMX як шахрайство, що також називається справді позитивним (tp)

Є 1 помилковий результат (fp), тобто це не шахрайство, але модель неправильно позначила це як шахрайство. Отже, точність, яка становить tp / (tp +fp), дорівнює 98%.

Крім того, є 10 помилкових негативів (fn), які означають, що це шахрайські транзакції, але наша модель не може їх передбачити. Отже, міра відкликання, яка становить tp / (tp +fn), що становить 83%

Архітектура глибокого навчання є дуже потужною, оскільки допомагає вирішувати складні проблеми, такі як виявлення шахрайства. Візуальний спосіб аналізу архітектури глибокого навчання корисний для розуміння архітектури, а також того, як вона вирішує проблему

Посилання на джерело даних для синтетичних наборів фінансових даних для виявлення шахрайства

Синтетичні набори фінансових даних для виявлення шахрайства доступні тут: https://www.kaggle.com/competitions/spaceship-titanic/overview

Як зазначено в розділі Ліцензія, він має ліцензію CC BY-SA 4.0.

• Поділитись — копіювати та поширювати матеріал у будь-якому носії чи форматі
• адаптуватися — реміксувати, трансформувати та створювати матеріал для будь-яких цілей, навіть комерційних.

будь ласка приєднатися до Medium з моїм реферальним посиланням.

будь ласка підписуватися бути в курсі кожного разу, коли я випускаю нову історію.

Ви можете відвідати мій веб-сайт, щоб зробити аналітику без кодування. https://experiencedatascience.com

На веб-сайті ви також можете взяти участь у майбутніх семінарах зі штучного інтелекту, щоб отримати цікавий та інноваційний досвід у галузі науки про дані та штучного інтелекту.

Ось посилання на мій канал YouTube
https://www.youtube.com/c/DataScienceDemonstrated

Візуальне пояснення глибокого навчання Перепубліковано з джерела https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 через https://towardsdatascience.com/feed

<!–

->