이 경우 연구는 사기성 거래를 탐지하는 것을 목표로 신경 네트워크 설계 과정을 탐구합니다. 그것은 모델 교육에 관련된 데이터 준비, 네트워크 아키텍처 및 실제 계산을 포함하여 필수 단계를 다룹니다.

Data Preparation 및 입력 기능

효과적인 사기 탐지는 거래 자료에서 관련 특징을 선정하는 것을 의미합니다. 일반적인 특징은 거래 총계, 위치, 시간 및 사용자 행동 본을 포함합니다. 자료 정상화는 그 특징이 모형 성과를 개량하는 comparable 가늠자에 있다는 것을 보증합니다.

Neural Network 건축

네트워크는 일반적으로 입력 층, 하나 이상의 숨겨진 층 및 출력 층으로 구성됩니다. 사기 탐지를 위해, 일반적인 건축술은 다음을 포함할 수 있습니다.

  • 노드와 같은 레이어를 입력하여 기능의 수에 동일하게
  • 각각 16 및 8 개의 신경을 가진 두 개의 숨겨진 층
  • 이진 분류를 위한 단일 neuron을 가진 산출 층

교육의 실제 계산

계산은 무게, 비스듬한, 활성화 기능 determining를 포함합니다. 예를 들면, 앞으로 전파 중, 각 neuron computes:

무엇을 얻은 합계:] ( z = sum {i} w i x i + b )

(w i)는 무게, (x i) 입력 기능 및 (b)는 바이스입니다. sigmoid 또는 ReLU와 같은 활성화 기능은 비선형성을 도입하기 위해 적용됩니다.

백 프로피케이션은 출력에서 계산된 오류에 근거한 무게를 조정합니다. 즉, 사각형 오류 (MSE) 또는 이진 크로스 엔트로피는 체중을 최적화하는 gradient descent와 더불어 손실 기능으로 사용됩니다.

관련 기사

사기 탐지를 위한 신경망을 건축하는 것은 주의깊은 특징 선택, 적당한 건축 설계 및 훈련 도중 상세한 계산을 실행합니다. 이 단계의 실제적인 이해는 실제적인 신청에 있는 모형의 효력을 강화합니다.