Amazon Fraud Detector ya no estará disponible para nuevos clientes a partir del 7 de noviembre de 2025. Para obtener capacidades similares a las de Amazon Fraud Detector SageMaker AutoGluon, explore Amazon y AWS WAF.

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Creación de un modelo
<a name="building-a-model"></a>

Los modelos de Amazon Fraud Detector aprenden a detectar el fraude para un tipo de evento específico. En Amazon Fraud Detector, primero debe crear un modelo, que actúa como contenedor para las versiones de su modelo. Cada vez que entrena un modelo, se crea una nueva versión. Para obtener más información sobre cómo crear y entrenar un modelo con la AWS consola, consulte[Paso 3: Crear un modelo](part-a.md#step-3-create-new-ml-model).

Cada modelo tiene una variable de puntuación correspondiente. Amazon Fraud Detector crea esta variable en su nombre cuando crea un modelo. Puede usar esta variable en las expresiones de sus reglas para interpretar las puntuaciones de su modelo durante una evaluación de fraude.

## Entrene e implemente un modelo mediante el AWS SDK para Python (Boto3)
<a name="train-and-deploy-a-model-using-the-aws-python-sdk"></a>

Una versión del modelo se crea llamando a las `CreateModelVersion` operaciones `CreateModel` and. `CreateModel`inicia el modelo, que actúa como contenedor para las versiones del modelo. `CreateModelVersion`inicia el proceso de entrenamiento, que da como resultado una versión específica del modelo. Se crea una nueva versión de la solución cada vez que se llama a `CreateModelVersion`.

El siguiente ejemplo muestra un ejemplo de solicitud para la `CreateModel` API. En este ejemplo, se crea el tipo de * modelo * Online Fraud Insights y se supone que ha creado un tipo de evento`sample_registration`. Para obtener más información sobre la creación de un tipo de evento, consulte[Crea un tipo de evento](create-event-type.md).

```
import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.create_model (
modelId = 'sample_fraud_detection_model',
eventTypeName = 'sample_registration',
modelType = 'ONLINE_FRAUD_INSIGHTS')
```

Entrena tu primera versión con la [ CreateModelVersion ](https://docs.aws.amazon.com/frauddetector/latest/api/API_CreateModelVersion.html) API. Para el `TrainingDataSource` conjunto de datos de entrenamiento, `ExternalEventsDetail` especifique la fuente y la ubicación de Amazon S3 del conjunto de datos de entrenamiento. Para `TrainingDataSchema` especificar cómo Amazon Fraud Detector debe interpretar los datos de capacitación, específicamente qué variables de eventos incluir y cómo clasificar las etiquetas de los eventos. De forma predeterminada, Amazon Fraud Detector ignora los eventos sin etiquetar. Este código de ejemplo usa `AUTO` for `unlabeledEventsTreatment` para especificar que Amazon Fraud Detector decide cómo usar los eventos sin etiquetar.

```
import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.create_model_version (
modelId = 'sample_fraud_detection_model',
modelType = 'ONLINE_FRAUD_INSIGHTS',
trainingDataSource = 'EXTERNAL_EVENTS',
trainingDataSchema = {
    'modelVariables' : ['ip_address', 'email_address'],
    'labelSchema' : {
        'labelMapper' : {
            'FRAUD' : ['fraud'],
            'LEGIT' : ['legit']
        }
       unlabeledEventsTreatment = 'AUTO'
    }
}, 
externalEventsDetail = {
    'dataLocation' : 's3://bucket/file.csv',
    'dataAccessRoleArn' : 'role_arn'
}
)
```

Una solicitud exitosa generará una nueva versión del modelo con el estado`TRAINING_IN_PROGRESS`. En cualquier momento de la capacitación, puede cancelar la capacitación llamando `UpdateModelVersionStatus` y actualizando el estado a`TRAINING_CANCELLED`. Una vez finalizada la formación, el estado de la versión del modelo se actualizará a`TRAINING_COMPLETE`. Puede revisar el rendimiento del modelo mediante la consola de Amazon Fraud Detector o llamando por teléfono`DescribeModelVersions`. Para obtener más información sobre cómo interpretar las puntuaciones y el rendimiento de los modelos, consulte [Puntuaciones del modelo](model-scores.md) y[Métricas de rendimiento del modelo](training-performance-metrics.md).

 Tras revisar el rendimiento del modelo, actívelo para que los detectores puedan usarlo en las predicciones de fraude en tiempo real. Amazon Fraud Detector implementará el modelo en varias zonas de disponibilidad para garantizar su redundancia, con el escalado automático activado para garantizar que el modelo se adapte al número de predicciones de fraude que esté realizando. Para activar el modelo, llame a la `UpdateModelVersionStatus` API y actualice el estado a. `ACTIVE`

```
import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.update_model_version_status (
modelId = 'sample_fraud_detection_model',
modelType = 'ONLINE_FRAUD_INSIGHTS',
modelVersionNumber = '1.00',
status = 'ACTIVE'
)
```