Table of Contents
این مطالعه موردی فرآیند طراحی یک شبکه عصبی را با هدف شناسایی معاملات جعلی بررسی می کند، مراحل ضروری، از جمله آماده سازی داده ها، معماری شبکه و محاسبات عملی که در آموزش مدل دخیل هستند را پوشش می دهد.
آماده سازی داده ها و ویژگی های ورودی
تشخیص تقلب موثر بر انتخاب ویژگی های مرتبط از داده های تراکنش متکی است.ویژگی های مشترک شامل مقدار معامله، مکان، زمان و الگوهای رفتار کاربر است. داده ها عادی سازی تضمین می کند که ویژگی ها در مقیاس های قابل مقایسه، بهبود عملکرد مدل هستند.
معماری شبکه عصبی
این شبکه به طور معمول شامل یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی برای تشخیص تقلب است، یک معماری مشترک ممکن است شامل موارد زیر باشد:
- لایه ورودی با گره ها برابر با تعداد ویژگی ها
- دو لایه پنهان با 16 و 8 نورون به ترتیب
- لایه خروجی با یک نورون واحد برای طبقه بندی باینری
محاسبات عملی در آموزش
محاسبه ها شامل تعیین وزن، سوگیری ها و عملکردهای فعال سازی است.برای مثال در طول انتشار پیش رو، هر محاسبه عصبی:
[[ویرایش] [[[۱]] [۱۰] [۱] [۱]] [۷]] [۷] [۱] [۱] [۱] [۱]] [۱] [۱] [۵] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]
در جایی که (w i) دارای وزنه ها، ویژگی های ورودی (x i) هستند و (b) تابع های فعال سازی مانند sigmoid یا ReLU برای معرفی غیر خطی استفاده می شود.
Backpropagation تنظیم وزن بر اساس خطا محاسبه شده در خروجی.به معنی خطای مربع (MSE) یا باینری cross-entropy به عنوان تابع از دست دادن استفاده می شود، با گرادی گرادیان بهینه سازی وزن.
نتیجه گیری
ساخت یک شبکه عصبی برای تشخیص تقلب شامل انتخاب دقیق ویژگی، طراحی یک معماری مناسب و انجام محاسبات دقیق در طول آموزش است. درک عملی از این مراحل اثربخشی مدل در برنامه های دنیای واقعی را افزایش می دهد.