Question

问题措辞含糊不清 - 我很乐意根据反馈进行更改。但是，我正在尝试训练神经网络来检测网站上的欺诈性交易。我有很多参数作为输入（一天中的时间，原籍国，过去一个月的访问次数，过去一个月内独特IP的访问次数，交易次数，平均交易规模等，等等）。总共可能超过100个输入。输入已经过标准化和消毒，形成time series。从历史上看，我可以查看我的数据，并确定交易是欺诈性的A类或B类，或者不是欺诈性的。我的训练集可能很大（数千或数万点）。

最终，我想要一个指标：A型欺诈，B型欺诈或不欺诈。通常，欺诈性交易往往符合一种模式。我无法准确识别模式（这就是我使用NN的原因）。但是，欺诈性交易不能是任何类型的模式。因此，当第三个桶是＆＃34;其他＆＃34;时，将东西识别为3个桶似乎很奇怪。

如果这是一个开关/案例，它将类似于：

switch transactionData
  when transactionData.transaction_count < 0.2 && ....
    FRAUD_A
  when transactionData.transaction_count > 0.5 && ....
    FRAUD_B
  else
    NOT_FRAUD

显然，这些是简化的案例，但我的问题涉及如何正确训练else案例。我是否获得三种类型的数据（fraud_a，fraud_b和not_fraud）并对其进行培训？还是有另一种方法来训练other？

Answer 1

通常完全没有其他（非欺诈）课程以及您感兴趣的课程。但我理解您的关注。基本上，NN的工作是学习“case / switch”，在大多数情况下，它会学习正确的，假设大多数样本都属于NOT FRAUD类。在一些病理情况下，分类器可以学习不同的想法，例如除非另有证明，否则一切都是FRAUD A级。您通常无法直接控制它，但可以通过创建更好的功能和其他一些技巧来更改它。现在，继续你所拥有的，看看会发生什么。

你可以做的一件事就是训练两个分类器，一个（欺诈/非欺诈），然后如果检测到欺诈，则将数据输入第二个两级分类器（FRAUD A / FRAUD B）。有时候（但并非总是如此）这样做会更好。

如何训练神经网络来检测模式的存在？

1 个答案: