使用视觉示例理解深度学习
深度学习是最强大的人工智能技术之一，但它可能很难理解。在这篇博客中，我将尝试使用视觉和示例来解释深度学习。
深度学习架构的灵感来自于我们大脑的工作方式。它是神经元的连接。深度学习模型可以有很多参数。参数的数量基于层和神经元的数量，对于复杂的架构，参数的数量可以呈指数增长。
在本博客中，我将介绍一个金融欺诈检测的业务用例。欺诈检测的最大挑战之一是类别不平衡问题，这意味着用于训练机器学习模型的数据中欺诈案例很少。
这就像训练机器学习模型大海捞针一样。欺诈检测是一个特殊问题，需要采用深度学习架构等复杂方法。
在示例中，我将从银行交易系统获取数据。数据如下所示。数据包含金融交易类型、金额以及来源和目的地旧余额和新余额。还有一个标志表明交易是否是欺诈性的。
数据集的引用可在博客末尾找到。
数据分为训练数据和测试数据。深度学习模型是在训练集上开发的，然后在测试数据上进行验证。然后该模型可用于预测未见数据的欺诈行为。
此处显示了用于欺诈预测的深度学习模型。输入神经元对应于交易数据。每个神经元对应于输入数据中的一列，例如始发地和目的地的交易类型、金额和余额信息。
有一个中间层，最后一层有两个神经元，一个预测非欺诈，另一个预测非欺诈。
这些线路是在不同层之间传递的信号。绿线表示正信号，红线表示负信号
我们看到神经元 1_0 正在向神经元 Fraud 传递正信号。
这意味着它已经深入了解了欺诈交易是什么样子！这真让人兴奋 ！
让我们看看神经元 1_0 的内部！
雷达图表示神经元对数据的了解。蓝线表示高值，红线表示低值。雷达图显示原点处的新旧平衡较高，但几乎相似。但目的地的新旧余额有很大差异。
这种情况表明存在欺诈行为。这种情况可以直观地显示在下面。
这里显示的是使用混淆矩阵的深度学习模型的准确性。
总共约有95000笔交易，其中有62笔欺诈交易，远远少于交易总数。然而，深度学习模型表现良好，它能够正确地将 52 识别为欺诈，这也称为真阳性 (tp)
有 1 个误报 (fp)，这意味着这不是欺诈，但模型错误地将其标记为欺诈。因此精度为 tp / (tp +fp)，等于 98%。
此外，还有 10 个假阴性 (fn)，这意味着它们是欺诈交易，但我们的模型无法预测它们。因此，召回率的衡量标准为 tp / (tp +fn)，即 83%
深度学习架构非常强大，因为它有助于解决欺诈检测等复杂问题。分析深度学习架构的可视化方法有助于理解架构及其解决问题的方式
用于欺诈检测的合成金融数据集的数据源引用
用于欺诈检测的综合金融数据集的数据可在此处获取： https://www.kaggle.com/competitions/spaceship-titanic/overview
正如许可证部分所指定的，它拥有许可证 CC BY-SA 4.0.
- Share — 以任何媒介或格式复制和重新分发材料
- 适应 — 出于任何目的（甚至商业目的）对材料进行重新混合、转换和构建。
加入媒体 和我的推荐链接。
订阅 每当我发布新故事时随时了解情况。
您可以访问我的网站以零编码进行分析。 https://experiencedatascience.com
在该网站上，您还可以参加即将举行的人工智能研讨会，获得有趣且创新的数据科学和人工智能体验。
这是我的 YouTube 频道的链接
https://www.youtube.com/c/DataScienceDemonstrated
深度学习视觉解释从来源重新发布 https://towardsdatascience.com/deep-learning-visually-explained-a9fff874d280?source=rss—-7f60cf5620c9—4 通过 https://towardsdatascience.com/feed
–>
