不平衡权重的人工神经网络

时间:2015-10-20 02:50:52

标签: machine-learning neural-network

我一直在阅读ANN的概念,将其应用于我的项目(信用卡欺诈检测)。给定一组网络输入,例如:

  • A1 - 输入PIN的时间
  • A2 - 要撤回的金额
  • A3 - ATM位置
  • A4 - 全球行为(时间和日期,以及执行交易的顺序)

这些输入中的任何一个偏离"规范",该输入对网络的权重越大。这就是我的问题,神经网络如何处理一个输入的权重,比如A1,高,而所有其他权重都很低的情况?

1 个答案:

答案 0 :(得分:0)

输入概率密度函数组合形成多维概率分布(通常是许多维度中的椭球)。输入的组合是一个向量,N空间中该点的概率值告诉您实际或假的可能性。这适用于每个轴,其中除了一个输入之外的所有轴都是零,以及所有变量都具有重要值的位置。如果你的所有输入都具有平滑的高斯概率分布,那么你得到的概率分布就是超常的,并且你并不需要神经网络。

当您在一个或多个变量中具有复杂的概率密度时,或者如果组合变量在概率密度中创建意外的特征(空洞和颠簸),则使用神经网络会变得经济。然后,对大量实际输入组合和已知结果的神经网络的训练告诉它输入空间的哪些区域是有趣的以及哪些区域是平凡的。再一次,如果你有足够的内存,你可以自己将它们自己映射到具有高分辨率的大型N维数组中,但那里的乐趣在哪里呢?神经网络也将在区域之间平滑插值,这可能使其决策比实际概率空间更模糊(即,精度度量下降到100%以下)。