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
<!–
->
- Біткойн
- bizbuildermike
- blockchain
- відповідність блокчейну
- блокчейн-конференція
- Консультанти з блокчейнів
- coinbase
- coingenius
- Консенсус
- криптоконференція
- криптографічне видобування
- криптовалюта
- Децентралізований
- Defi
- Цифрові активи
- Ефіріума
- навчання за допомогою машини
- не замінний маркер
- plato
- платон ai
- Інформація про дані Платона
- Платоблокчейн
- PlatoData
- platogaming
- Багатокутник
- доказ ставки
- W3
- зефірнет