本案例研究探讨了设计神经网络以发现欺诈交易的过程,涵盖了包括数据准备、网络架构以及培训模型所涉实际计算在内的基本步骤。

数据准备和输入特性

有效的欺诈检测依赖于从交易数据中选择相关特征. 常见的特征包括交易金额,位置,时间,以及用户行为模式. 数据正常化确保了特征具有可比较的尺度,改善了模型性能.

神经网络建筑

网络通常包括一个输入层、一个或一个以上的隐藏层和输出层。对于欺诈检测,一个共同的架构可能包括:

  • 输入层,节点数等于特性数
  • 隐藏两个层,分别有16个神经元和8个神经元
  • 输出层,单神经元用于二进制分类

培训中的实际计算

计算涉及确定权重、偏差和激活功能。例如,在前向传播过程中,每个神经元计算:

加权和数: (z=sum ⁇ i] w i x i+b) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

以(w i)为权重,(x i)为输入特性,(b)为偏差. 活动功能如sigmoid或ReLU应用来引入非线性.

反向放大根据输出时计算出的错误调整权重。平均方位错误(MSE)或二进制交叉权重(binary cross-entropy)被用作损失函数,梯度下降优化权重。

结论

建立用于欺诈侦测的神经网络需要仔细选择特征,设计适当的架构,并在培训期间进行详细的计算。 对这些步骤的实际了解可以提高模型在现实世界应用中的有效性。