Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Membangun model

Model Amazon Fraud Detector belajar mendeteksi penipuan untuk jenis peristiwa tertentu. Di Amazon Fraud Detector, pertama-tama Anda membuat model, yang berfungsi sebagai wadah untuk versi model Anda. Setiap kali Anda melatih model, versi baru dibuat. Untuk detail tentang cara membuat dan melatih model menggunakan AWS Konsol, lihatLangkah 3: Membuat Model.

Setiap model memiliki variabel skor model yang sesuai. Amazon Fraud Detector membuat variabel ini atas nama Anda saat Anda membuat model. Anda dapat menggunakan variabel ini dalam ekspresi aturan Anda untuk menafsirkan skor model Anda selama evaluasi penipuan.

Latih dan terapkan model menggunakan AWS SDK for Python (Boto3)

Versi model dibuat dengan memanggil CreateModel dan CreateModelVersion operasi. CreateModelmemulai model, yang bertindak sebagai wadah untuk versi model Anda. CreateModelVersionmemulai proses pelatihan, yang menghasilkan versi model tertentu. Versi baru dari solusi dibuat setiap kali Anda meneleponCreateModelVersion.

Contoh berikut menunjukkan permintaan sampel untuk CreateModel API. Contoh ini membuat jenis model Wawasan Penipuan Online dan mengasumsikan Anda telah membuat jenis acara. sample_registration Untuk detail tambahan tentang membuat jenis acara, lihatMembuat jenis acara.

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

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

Latih versi pertama Anda menggunakan CreateModelVersionAPI. Untuk TrainingDataSource dan ExternalEventsDetail tentukan sumber dan lokasi Amazon S3 dari kumpulan data pelatihan. Untuk TrainingDataSchema menentukan bagaimana Amazon Fraud Detector harus menafsirkan data pelatihan, khususnya variabel peristiwa yang akan disertakan dan cara mengklasifikasikan label peristiwa. Secara default, Amazon Fraud Detector mengabaikan peristiwa yang tidak berlabel. Kode contoh ini digunakan AUTO unlabeledEventsTreatment untuk menentukan bahwa Amazon Fraud Detector memutuskan cara menggunakan peristiwa yang tidak berlabel.

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'
}
)

Permintaan yang berhasil akan menghasilkan versi model baru dengan statusTRAINING_IN_PROGRESS. Kapan saja selama pelatihan, Anda dapat membatalkan pelatihan dengan menelepon UpdateModelVersionStatus dan memperbarui status keTRAINING_CANCELLED. Setelah pelatihan selesai, status versi model akan diperbarui keTRAINING_COMPLETE. Anda dapat meninjau performa model menggunakan konsol Amazon Fraud Detector atau dengan meneleponDescribeModelVersions. Untuk informasi lebih lanjut tentang cara menafsirkan skor dan kinerja model, lihat Skor model danMetrik kinerja model.

Setelah meninjau kinerja model, aktifkan model agar tersedia untuk digunakan oleh Detektor dalam prediksi penipuan waktu nyata. Amazon Fraud Detector akan menerapkan model di beberapa zona ketersediaan untuk redundansi dengan auto-scaling diaktifkan untuk memastikan model menskalakan dengan jumlah prediksi penipuan yang Anda buat. Untuk mengaktifkan model, panggil UpdateModelVersionStatus API dan perbarui statusnya keACTIVE.

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'
)