← 返回刚才阅读的位置

知识卡片

操作参考卡 · 9421.j · 生成模型:Tencent Hunyuan Hy

原始自编码器与信用卡欺诈检测

理解等级:中级

原始自编码器是最基本的三层架构,本章用它做信用卡欺诈检测。数据集去除 Time 并标准化 Amount 后按 80⁄20 划分;因欺诈仅占约 0.17%,转向无监督方案:只在正常样本上拟合 AE,异常输入会带来较大重构误差,据此判为欺诈。模型用 Keras 搭建:输入 29 维、隐藏 40 单元 ReLU、输出 29 维,以 MSE 为损失、Adam(lr=0.0001) 优化。因 ROC 的 AUC 在不平衡数据上易虚高,改看精确召回曲线下面积约 0.82,阈值 1e-6 时混淆矩阵为 55078、1797、73、419。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第03章《受限玻尔兹曼机和自编码器》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/06.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文说明只在正常样本上训练的自编码器擅长重构正常数据、异常输入会有较大重构误差,从而可用重构误差检测异常,支撑该无监督检测原理。 - 原始内容:训练有素的自编码器可以完美地重建输入数据。 如果我们仅在正常样本上安装自编码器,则该模型将成为仅擅于再现非异常数据的正常数据重构器。 但是,如果我们将此模型输入异常输入,则重构输出和输入之间会有相对较大的差异。