Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Erläuterungen zur Vorhersage

Vorhersageerklärungen geben Aufschluss darüber, wie sich jede Ereignisvariable auf den Betrugsvorhersagewert Ihres Modells ausgewirkt hat, und werden im Rahmen der Betrugsvorhersage automatisch generiert. Jede Betrugsvorhersage hat eine Risikobewertung zwischen 1 und 1 000. Vorhersageerklärungen geben Ihnen Details zum Einfluss jeder Ereignisvariable auf die Risikobewertungen in Bezug auf das Ausmaß (0–5, wobei 5 am höchsten ist) und die Richtung (Schleifenwert höher oder niedriger). Sie können Prognoseerklärungen auch für die folgenden Aufgaben verwenden:

Vorhersageerklärungen enthalten die folgenden Werte für jede Ereignisvariable, die zum Trainieren des Modells verwendet wurde.

Relative Auswirkungen

Bietet einen visuellen Verweis auf die Auswirkungen der Variablen in Bezug auf das Ausmaß auf die Betrugsvorhersagewerte. Die relativen Auswirkungswerte bestehen aus einer Sternbewertung (0–5, 5 ist die höchste) und der Richtung (erhöht/verringert) des Betrugsrisikos.

Roherklärungswert

Stellt einen unformatierten, nicht interpretierten Wert bereit, der als Log-Odds des Betrugs dargestellt wird. Diese Werte liegen in der Regel zwischen -10 und +10, liegen aber im Bereich von – unendlich bis + unendlich.

In der Amazon Fraud Detector-Konsole werden die Werte der Prognoseerklärung wie folgt angezeigt. Die farbigen Sternbewertungen und die entsprechenden numerischen Rohwerte erleichtern das Erkennen des relativen Einflusses zwischen Variablen.

Anzeigen von Vorhersageerklärungen

Nachdem Sie Betrugsvorhersagen generiert haben, können Sie sich die Vorhersageerklärungen in der Amazon Fraud Detector-Konsole ansehen. Um die Prognoseerklärungen mithilfe von APIs aus dem AWS SDK anzuzeigen, müssen Sie zuerst die ListEventPrediction API aufrufen, um den Prognosezeitstempel für das Ereignis abzurufen, und dann die GetEventPredictionMetadata API aufrufen, um die Prognoseerklärungen abzurufen.

Anzeigen von Vorhersageerklärungen mithilfe der Amazon Fraud Detector-Konsole

Anzeigen von Vorhersageerklärungen mit dem AWS SDK for Python (Boto3)

Die folgenden Beispiele zeigen Beispielanforderungen zum Anzeigen von Vorhersageerklärungen mithilfe von - ListEventPredictions und -GetEventPredictionMetadataAPIs aus dem -AWSSDK.

Beispiel 1: Abrufen einer Liste der neuesten Vorhersagen mithilfe der ListEventPredictions API

import boto3 
fraudDetector = boto3.client('frauddetector') 
fraudDetector.list_event_predictions(  
  maxResults = 10, 
  predictionTimeRange = {
     end_time: '2022-01-13T23:18:21Z',
     start_time: '2022-01-13T20:18:21Z'
    }
 ) 
 

Beispiel 2; Abrufen einer Liste früherer Vorhersagen für den Ereignistyp „Registrierung“ mithilfe der ListEventPredictions API

import boto3 
fraudDetector = boto3.client('frauddetector') 
fraudDetector.list_event_predictions(  
   eventType = {
      value = 'registration'
    } 
   maxResults = 70,
   nextToken = "10",
   predictionTimeRange = {
     end_time: '2021-07-13T23:18:21Z',
     start_time: '2021-07-13T20:18:21Z'
    }
 )

Beispiel 3: Abrufen von Details zu einer früheren Vorhersage für eine angegebene Ereignis-ID, einen Ereignistyp, eine Detektor-ID und eine Detektorversions-ID, die im angegebenen Zeitraum mithilfe der -GetEventPredictionMetadataAPI generiert wurde.

Das für diese Anforderung predictionTimestamp angegebene wird abgerufen, indem zuerst die ListEventPredictions-API aufgerufen wird.

import boto3 
fraudDetector = boto3.client('frauddetector') 
fraudDetector.get_event_prediction_metadata ( 
   detectorId = 'sample_detector',
   detectorVersionId = '1', 
   eventId = '802454d3-f7d8-482d-97e8-c4b6db9a0428', 
   eventTypeName = 'sample_registration', 
   predictionTimestamp = '2021-07-13T21:18:21Z' 
 )    
    

Verstehen, wie Vorhersageerklärungen berechnet werden

Amazon Fraud Detector verwendet SHAP (SHapeleye exPlanations ),um einzelne Ereignisvorhersagen zu erklären, indem es die Roherklärungswerte jeder Ereignisvariable berechnet, die für das Modelltraining verwendet wird. Die Roherklärungswerte werden vom Modell als Teil des Klassifizierungsalgorithmus berechnet, wenn Vorhersagen generiert werden. Diese Roherklärungswerte stellen den Beitrag jeder Eingabe zum Logarithmus der Betrugswahrscheinlichkeiten dar. Die Roherklärungswerte (von -unendlich bis +unendlich) werden mithilfe einer Zuordnung in einen relativen Auswirkungswert (-5 bis +5) konvertiert. Der Wert für die relative Auswirkung, der aus dem Roherklärungswert abgeleitet wird, stellt die Häufigkeit dar, mit der die Wahrscheinlichkeit zunimmt, dass der Betrug (positive) oder der Legit-Wert (negative) zunimmt, wodurch die Vorhersageerklärungen leichter verständlich sind.