Amazon Fraud Detector non è più aperto a nuovi clienti a partire dal 7 novembre 2025. Per funzionalità simili a Amazon Fraud Detector, esplora Amazon SageMaker, e AutoGluon. AWS WAF

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Crea un modello
<a name="building-a-model"></a>

I modelli Amazon Fraud Detector imparano a rilevare le frodi per un tipo di evento specifico. In Amazon Fraud Detector, devi prima creare un modello, che funge da contenitore per le versioni del modello. Ogni volta che si addestra un modello, viene creata una nuova versione. Per i dettagli su come creare e addestrare un modello utilizzando la AWS Console, vedere[Fase 3: Creare un modello](part-a.md#step-3-create-new-ml-model).

Ogni modello ha una corrispondente variabile di punteggio del modello. Amazon Fraud Detector crea questa variabile per tuo conto quando crei un modello. Puoi utilizzare questa variabile nelle espressioni delle regole per interpretare i punteggi del tuo modello durante una valutazione delle frodi.

## Addestra e implementa un modello utilizzando AWS SDK per Python (Boto3)
<a name="train-and-deploy-a-model-using-the-aws-python-sdk"></a>

Una versione del modello viene creata chiamando le `CreateModelVersion` operazioni `CreateModel` and. `CreateModel`avvia il modello, che funge da contenitore per le versioni del modello. `CreateModelVersion`avvia il processo di addestramento, che si traduce in una versione specifica del modello. Una nuova versione della soluzione viene creata ogni volta che si richiama `CreateModelVersion`.

L'esempio seguente mostra un esempio di richiesta per l'`CreateModel`API. Questo esempio crea il tipo di * modello * Online Fraud Insights e presuppone che tu abbia creato un tipo di `sample_registration` evento. Per ulteriori dettagli sulla creazione di un tipo di evento, vedere[Crea un tipo di 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')
```

Addestra la tua prima versione utilizzando l'[CreateModelVersion](https://docs.aws.amazon.com/frauddetector/latest/api/API_CreateModelVersion.html)API. Per `TrainingDataSource` e `ExternalEventsDetail` specifica l'origine e la posizione di Amazon S3 del set di dati di addestramento. Per `TrainingDataSchema` specificare come Amazon Fraud Detector deve interpretare i dati di addestramento, in particolare quali variabili di evento includere e come classificare le etichette degli eventi. Per impostazione predefinita, Amazon Fraud Detector ignora gli eventi senza etichetta. Questo codice di esempio utilizza `AUTO` for `unlabeledEventsTreatment` per specificare che Amazon Fraud Detector decide come utilizzare gli eventi senza etichetta.

```
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 richiesta andata a buon fine produrrà una nuova versione del modello con status. `TRAINING_IN_PROGRESS` In qualsiasi momento durante l'allenamento, è possibile annullarlo chiamando `UpdateModelVersionStatus` e aggiornando lo stato a`TRAINING_CANCELLED`. Una volta completato l'addestramento, lo stato della versione del modello verrà aggiornato a`TRAINING_COMPLETE`. Puoi esaminare le prestazioni del modello utilizzando la console Amazon Fraud Detector o `DescribeModelVersions` chiamando. Per ulteriori informazioni su come interpretare i punteggi e le prestazioni del modello, consulta [Punteggi del modello](model-scores.md) e[Metriche delle prestazioni del modello](training-performance-metrics.md).

 Dopo aver esaminato le prestazioni del modello, attivate il modello per renderlo disponibile all'uso da parte dei rilevatori nelle previsioni delle frodi in tempo reale. Amazon Fraud Detector distribuirà il modello in più zone di disponibilità per la ridondanza con il ridimensionamento automatico attivato per garantire che il modello sia scalabile in base al numero di previsioni di frode che stai facendo. Per attivare il modello, chiama l'API e aggiorna lo stato a. `UpdateModelVersionStatus` `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'
)
```