Ang pag-aaral na ito ng kaso ay nagreresulta sa proseso ng pagdidisenyo ng isang neural network na naglalayong ma-sect ng mga pandarayang transaksiyon. Sinasaklaw nito ang mga mahahalagang hakbang, kabilang ang data paghahanda, network architecture, at praktikal na kalkulasyon na kasangkot sa pagsasanay ng modelo.
Paghahanda ng mga Data at Pag - aalis ng mga Katangian
Ang mabisang pag - alam ng pandaraya ay depende sa pagpili ng mahahalagang bahagi mula sa data ng transaksiyon.
Arkitektura ng Neural Network
Ang network ay karaniwang binubuo ng isang input layer, isa o higit pang nakatagong layer, at isang output layer. Para sa seclet detection, maaaring kabilang sa isang karaniwang arkitektura ang:
- Ipininta ang layer na may nodes na katumbas ng bilang ng mga katangian
- Dalawang nakatagong suson na may 16 at 8 neuron ayon sa pagkakasunod
- Ilabas na suson na may iisang neuron para sa uri ng binary
Praktikal na mga Pagkalkula sa Pagsasanay
Ang mga kalkulasyon ay nagsasangkot ng pagtiyak sa mga timbang, pagkiling, at mga gawain ng pag - aayos ng katawan.
[Wighted sum: ( ⁇ = sum i ⁇ w i x i + b )
Kung saan (w i) ang mga timbang, (x i) ang input tampok, at (b) ang pagkiling. aktibsyong katulad ng sigmoid o ReLU ay inilalapat upang ipakilala ang non-linearity.
Ang backpropagation ay nag-aangkop ng mga timbang batay sa pagkakamaling kinakalkula sa output. Ang mean squared error (MSE) o binary cross-entropiya ay ginagamit bilang ang function, na may spiral descent na may glove na nagreresulta sa mga bigat.
Pagsasaayos
Ang paggawa ng neural network para sa pagtuklas ng pandaraya ay kinasasangkutan ng maingat na pag-iinat ng feature, pagdidisenyo ng isang angkop na arkitektura, at pagsasagawa ng detalyadong kalkulasyon sa panahon ng pagsasanay.Ang praktikal na pag-unawa ng mga hakbang na ito ay nagpapabuti sa pagiging epektibo ng modelo sa mga aplikasyong real-world.