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.
Importancia de la variable del modelo
La importancia de las variables del modelo es una función de Amazon Fraud Detector que clasifica las variables del modelo dentro de una versión del modelo. A cada variable del modelo se le proporciona un valor en función de su importancia relativa para el rendimiento general del modelo. La variable del modelo con el valor más alto es más importante para el modelo que las demás variables del conjunto de datos para esa versión del modelo, y aparece en la parte superior de forma predeterminada. Del mismo modo, la variable del modelo con el valor más bajo aparece en la parte inferior de forma predeterminada y es la menos importante en comparación con las demás variables del modelo. Al utilizar los valores de importancia de las variables del modelo, puede obtener información sobre las entradas que impulsan el rendimiento del modelo.
Puede ver los valores de importancia de las variables del modelo para su versión de modelo entrenada en la consola de Amazon Fraud Detector o mediante la DescribeModelVersion API.
La importancia de las variables del modelo proporciona el siguiente conjunto de valores para cada variable utilizada para entrenar la versión del modelo.
Tipo de variable: tipo de variable (por ejemplo, dirección IP o correo electrónico). Para obtener más información, consulte Tipos de variables. Para los modelos Account Takeover Insights (ATI), Amazon Fraud Detector proporciona un valor de importancia variable tanto para el tipo de variable sin procesar como para el agregado. Los tipos de variables sin procesar se asignan a las variables que usted proporciona. El tipo de variable agregada se asigna a un conjunto de variables sin procesar que Amazon Fraud Detector ha combinado para calcular un valor de importancia agregado.
Nombre de la variable: nombre de la variable de evento que se usó para entrenar la versión del modelo (por ejemplo
ip_address,,email_address,are_creadentials_valid). Para el tipo de variable agregada, se muestran los nombres de todas las variables que se usaron para calcular el valor de importancia de la variable agregada.Valor de importancia de la variable: número que representa la importancia relativa de la variable bruta o agregada para el rendimiento del modelo. Rango típico: 0—10
En la consola de Amazon Fraud Detector, los valores de importancia de las variables del modelo se muestran de la siguiente manera para los modelos Online Fraud Insights (OFI) o Transaction Fraud Insights (TFI). Un modelo Account Takeover Insight (ATI) proporcionará valores de importancia de variables agregados además de los valores de importancia de la variable sin procesar. El gráfico visual permite ver fácilmente la importancia relativa entre las variables, y la línea punteada vertical proporciona una referencia al valor de importancia de la variable con la clasificación más alta.
Amazon Fraud Detector genera valores de importancia variables para cada versión del modelo de Fraud Detector sin coste adicional.
importante
Las versiones de los modelos que se crearon antes del 9 de julio de 2021 no tienen valores de importancia variables. Debe entrenar una nueva versión de su modelo para generar los valores de importancia de las variables del modelo.
Uso de los valores de importancia de las variables del modelo
Puede usar los valores de importancia de las variables del modelo para obtener información sobre qué es lo que impulsa al alza o a la baja el rendimiento de su modelo y cuáles de las variables contribuyen en mayor medida. Y, a continuación, modifique su modelo para mejorar el rendimiento general.
Más específicamente, para mejorar el rendimiento de tu modelo, examina los valores de importancia de las variables comparándolos con tu conocimiento del dominio y depurando los problemas en los datos de entrenamiento. Por ejemplo, si el identificador de la cuenta se utilizó como entrada para el modelo y aparece en la parte superior, observe el valor de importancia de la variable. Si el valor de importancia de la variable es significativamente mayor que el resto de los valores, es posible que tu modelo se esté ajustando demasiado a un patrón de fraude específico (por ejemplo, todos los eventos de fraude provienen del mismo identificador de cuenta). Sin embargo, también puede darse el caso de que haya una filtración de etiquetas si la variable depende de las etiquetas fraudulentas. En función del resultado del análisis que realices en función de tus conocimientos sobre el dominio, es posible que desees eliminar la variable y entrenarla con un conjunto de datos más diverso, o mantener el modelo tal como está.
Del mismo modo, echa un vistazo a las variables que ocuparon el último lugar. Si el valor de importancia de la variable es significativamente más bajo que el resto de los valores, es posible que esta variable del modelo no tenga ninguna importancia a la hora de entrenar el modelo. Podrías considerar la posibilidad de eliminar la variable para entrenar una versión del modelo más simple. Si su modelo tiene pocas variables, por ejemplo, solo dos variables, Amazon Fraud Detector seguirá proporcionando los valores de importancia de las variables y clasificándolas. Sin embargo, la información en este caso será limitada.
importante
-
Si observa que faltan variables en la tabla de importancia de las variables del modelo, puede deberse a una de las siguientes razones. Considera la posibilidad de modificar la variable en tu conjunto de datos y volver a entrenar tu modelo.
El recuento de valores únicos de la variable en el conjunto de datos de entrenamiento es inferior a 100.
Faltan más del 0,9 de los valores de la variable en el conjunto de datos de entrenamiento.
Debe entrenar una nueva versión del modelo cada vez que desee ajustar las variables de entrada del modelo.
Evaluación de los valores de importancia de las variables del modelo
Le recomendamos que tenga en cuenta lo siguiente al evaluar los valores de importancia de las variables del modelo:
Los valores de importancia de las variables siempre se deben evaluar en combinación con los conocimientos del dominio.
Examine el valor de importancia de la variable de una variable en relación con el valor de importancia de la variable de las demás variables de la versión del modelo. No considere el valor de importancia de la variable para una sola variable de forma independiente.
Compare los valores de importancia de las variables dentro de la misma versión del modelo. No compare los valores de importancia de las variables de las mismas variables en todas las versiones del modelo, ya que el valor de importancia de una variable en una versión del modelo puede diferir del valor de la misma variable en una versión del modelo diferente. Si usa las mismas variables y el mismo conjunto de datos para entrenar diferentes versiones del modelo, esto no genera necesariamente los mismos valores de importancia de las variables.
Visualización del ranking de importancia de las variables del modelo
Una vez finalizada la formación sobre modelos, puede ver la clasificación por importancia de las variables del modelo correspondiente a la versión de modelo entrenada en la consola de Amazon Fraud Detector o mediante la DescribeModelVersion API.
Para ver la clasificación de importancia de las variables del modelo mediante la consola,
-
Abre la AWS consola e inicia sesión en tu cuenta. Navegue hasta Amazon Fraud Detector.
-
En el panel de navegación izquierdo, elija Models (Modelos).
-
Elija su modelo y, a continuación, la versión de su modelo.
-
Asegúrese de que la pestaña Descripción general esté seleccionada.
-
Desplázate hacia abajo para ver el panel de importancia de las variables del modelo.
Comprender cómo se calcula el valor de importancia de la variable del modelo
Al finalizar el entrenamiento de cada versión del modelo, Amazon Fraud Detector genera automáticamente los valores de importancia de las variables del modelo y las métricas de rendimiento del modelo. Para ello, Amazon Fraud Detector utiliza ShapRey Additive Explanations (https://papers.nips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf
En primer lugar, SHAP asigna la contribución de cada variable del modelo para la predicción de un evento. Luego, agrega estas predicciones para crear una clasificación de las variables a nivel de modelo. Para asignar las contribuciones de cada variable del modelo a una predicción, SHAP considera las diferencias en los resultados del modelo entre todas las combinaciones de variables posibles. Al incluir todas las posibilidades de incluir o eliminar un conjunto específico de variables para generar una salida del modelo, SHAP puede acceder con precisión a la importancia de cada variable del modelo. Esto es particularmente importante cuando las variables del modelo están altamente correlacionadas entre sí.
Los modelos de aprendizaje automático, en la mayoría de los casos, no permiten eliminar variables. En su lugar, puede reemplazar una variable eliminada o que falte en el modelo por los valores de las variables correspondientes de una o más líneas de base (por ejemplo, eventos no fraudulentos). Elegir las instancias de referencia adecuadas puede resultar difícil, pero Amazon Fraud Detector lo facilita al establecer esta línea de base como el promedio de la población para usted.
