教學課程：開始使用AWS SDK for Python (Boto3)

博托是 Amazon Web Services（AWS）軟件開發套件 Python。您可以使用它來建立、設定和管理AWS 服務。如需如何安裝 Boto3 的相關指示，請參閱適用於 Python 的 AWS 開發套件。

安裝之後AWS SDK for Python (Boto3)，請執行下列 Python 範例命令，以確認您的環境設定正確。如果您的環境設定正確，則回應會包含偵測器清單。如果未建立偵測器，清單會是空的。

import boto3
fraudDetector = boto3.client('frauddetector')
            
response = fraudDetector.get_detectors()
print(response)

在此步驟中，您會建立用於定義模型、事件和規則的資源。

建立變數

變數是您要用來建立事件類型、模型和規則的資料集中的資料元素。

在下面的例子中，CreateVariableAPI 用於創建兩個變量。變量是email_address和ip_address。將它們分配給相應的變量類型：EMAIL_ADDRESS和IP_ADDRESS。這些變數是您上傳範例資料集的一部分。當您指定變數類型時，Amazon Fraud Detector 會在模型訓練期間和取得預測時解譯變數。只有具有關聯變數類型的變數才能用於模型訓練。

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

 #Create variable email_address
fraudDetector.create_variable(
    name = 'email_address',
    variableType = 'EMAIL_ADDRESS',
    dataSource = 'EVENT',
    dataType = 'STRING',
    defaultValue = '<unknown>'
)

#Create variable ip_address
fraudDetector.create_variable(
    name = 'ip_address',
    variableType = 'IP_ADDRESS',
    dataSource = 'EVENT',
    dataType = 'STRING',
    defaultValue = '<unknown>'
)   
           

建立實體類型

實體代表誰正在執行事件，實體類型會將實體分類。分類範例包括客戶、商家或帳戶。

在下面的例子中，PutEntityTypeAPI 用於創建一個sample_customer實體類型。

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

fraudDetector.put_entity_type(
   name = 'sample_customer',
   description = 'sample customer entity type'
)
            
      

建立標籤

標籤會將事件分類為詐騙或合法，並用來訓練 Fraud Detector。該模型學習使用這些標籤值對事件進行分類。

在下面的例子中，Putlabel API 用於創建兩個標籤，fraud和legit。

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

fraudDetector.put_label(
    name = 'fraud',
    description = 'label for fraud events'
)

fraudDetector.put_label(
    name = 'legit',
    description = 'label for legitimate events'
)
 

使用 Amazon Fraud Detector，您可以建立可評估風險並為個別事件產生 Fraud Detector 的模型 事件類型會定義個別事件的結構。

在下列範例中，PutEventTypeAPI 是用來建立事件類型sample_registration。您可以透過指定在上一個步驟中建立的變數 (email_address,ip_addresssample_customer)、實體類型 (legit) 和標籤 (fraud,) 來定義事件類型。

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

fraudDetector.put_event_type (
     name = 'sample_registration',
     eventVariables = ['ip_address', 'email_address'],
     labels = ['legit', 'fraud'],
     entityTypes = ['sample_customer'])            
        

Amazon Fraud Detector 會訓練模型以學習偵測特定事件類型的詐騙行為。在上一個步驟中，您建立了事件類型。在此步驟中，將會建立及訓練事件類型的模型。該模型充當模型版本的容器。每次訓練模型時，就會建立新的版本。

使用下列範例程式碼來建立和訓練線上詐騙洞察模型。這個模型被稱為sample_fraud_detection_model。它適用於sample_registration使用您上傳到 Amazon S3 的帳戶註冊範例資料集的事件類型。

如需 Amazon Fraud Detector 支援之不同模型類型的詳細資訊，請參閱選擇型號類型。

建立模型

在下面的例子中，CreateModelAPI 用於創建模型。

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

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

訓練模型

在下列範例中，CreateModelVersionAPI 用於訓練模型。指定'EXTERNAL_EVENTS'您存放範例資料集RoleArn的trainingDataSource和 Amazon S3 位置，以及其 Amazon S3 儲存貯體的位置externalEventsDetail。對於trainingDataSchema參數，請指定 Amazon Fraud Detector 如何解譯範例資料。更具體地說，指定要包含哪些變數，以及如何分類事件標籤。

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']
        }
    }
}, 
         externalEventsDetail = {
              'dataLocation' : 's3://your-S3-bucket-name/your-example-data-filename.csv',
              'dataAccessRoleArn' : 'role_arn'
}
)

您可以多次訓練模型。每次訓練模型時，就會建立新的版本。模型訓練完成後，模型版本狀態會更新為TRAINING_COMPLETE。您可以檢閱模型效能分數和其他模型效能測量結果。

檢閱模型效能

使用 Amazon Fraud Detector 的重要步驟是使用模型分數和效能指標來評估模型的準確性。模型訓練完成後，Amazon Fraud Detector 會使用未用於訓練模型的 15% 資料來驗證模型效能。它會產生模型效能分數和其他效能指標。

使用 DescribeModelVersionsAPI 來檢閱模型效能。查看模型效能整體分數以及 Amazon Fraud Detector 針對此模型產生的所有其他指標。

若要深入瞭解模型效能分數和效能指標，請參閱模型分數和模型效能指標。

您可以預期所有訓練有素的 Amazon Fraud Detector 模型都具有真實世界的詐騙偵測效能指標，這些指標與本教學中的指標類似。

部署模型

檢閱訓練模型的效能指標後，請部署模型並將其提供給 Amazon Fraud Detector 以產生詐騙預測。若要部署訓練過的模型，請使用 UpdateModelVersionStatusAPI。在下面的例子中，它用於將模型版本狀態更新為 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'
)
 

檢測器包含檢測邏輯，例如模型和規則。此邏輯適用於您要評估詐騙的特定事件。規則是您指定的條件，以告訴 Amazon Fraud Detector 如何在預測期間解譯變數值。結果是欺詐預測的結果。檢測器可以有多個版本，每個版本的狀態為草稿，活動或非活動狀態。偵測器版本必須至少有一個規則與之建立關聯。

使用下列範例程式碼建立偵測器、規則、結果，以及發佈偵測器。

建立偵測器

在下面的例子中，PutDetectorAPI 用於創建sample_registration事件類型的sample_detector檢測器。

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

fraudDetector.put_detector (
     detectorId = 'sample_detector',
     eventTypeName = 'sample_registration'
)
  

創造成果

為每個可能的欺詐預測結果創建結果。在下列範例中，PutOutcomeAPI 用於建立三個結果-verify_customerreview、和approve。這些結果稍後會指派給規則。

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

fraudDetector.put_outcome(
     name = 'verify_customer',
     description = 'this outcome initiates a verification workflow'
    )

fraudDetector.put_outcome(
     name = 'review',
     description = 'this outcome sidelines event for review'
    )

fraudDetector.put_outcome(
     name = 'approve',
     description = 'this outcome approves the event'
)
            
        

建立規則

規則由資料集中的一或多個變數、邏輯運算式以及一或多個結果所組成。

在下列範例中，CreateRuleAPI 用於建立三個不同的規則：high_riskmedium_risk、和low_risk。建立規則運算式，將模型效能分數sample_fraud_detection_model_insightscore值與各種臨界值進行比較。這是為了確定事件的風險級別，並指派在上一個步驟中定義的結果。

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

fraudDetector.create_rule(
     ruleId = 'high_fraud_risk',
     detectorId = 'sample_detector',
     expression = '$sample_fraud_detection_model_insightscore > 900',
     language = 'DETECTORPL',
     outcomes = ['verify_customer']
     )

fraudDetector.create_rule(
     ruleId = 'medium_fraud_risk',
     detectorId = 'sample_detector',
     expression = '$sample_fraud_detection_model_insightscore <= 900 and $sample_fraud_detection_model_insightscore > 700',
     language = 'DETECTORPL',
     outcomes = ['review']
     )

fraudDetector.create_rule(
     ruleId = 'low_fraud_risk',
     detectorId = 'sample_detector',
     expression = '$sample_fraud_detection_model_insightscore <= 700',
     language = 'DETECTORPL',
     outcomes = ['approve']
     )
            
        

建立偵測器版本

偵測器版本會定義用來取得詐騙預測的模型和規則。

在下面的例子中，CreateDetectorVersionAPI 用於創建一個檢測器版本。它通過提供模型版本詳細信息，規則和規則執行模式 FIRST_MATCHED 來完成此操作。規則執行模式指定評估規則的順序。規則執行模式 FIRST_MATCHED 會從頭到尾依序評估規則，並在遇到第一個相符規則後停止評估。

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

fraudDetector.create_detector_version(
      detectorId = 'sample_detector',
      rules = [{
          'detectorId' : 'sample_detector',
          'ruleId' : 'high_fraud_risk',
          'ruleVersion' : '1'
},
{
          'detectorId' : 'sample_detector',
          'ruleId' : 'medium_fraud_risk',
          'ruleVersion' : '1'
},
{
          'detectorId' : 'sample_detector',
          'ruleId' : 'low_fraud_risk',
          'ruleVersion' : '1'
}
],
      modelVersions = [{
          'modelId' : 'sample_fraud_detection_model',
          'modelType': 'ONLINE_FRAUD_INSIGHTS',
          'modelVersionNumber' : '1.00'
}      ],
      ruleExecutionMode = 'FIRST_MATCHED'
)
            
        

本教學課程的最後一個步驟使用在上一個步驟中sample_detector建立的偵測器，即時產生sample_registration事件類型的詐騙預測。偵測器會評估上傳至 Amazon S3 的範例資料。回應包括模型績效分數，以及與相符規則相關聯的任何結果。

在下列範例中，GetEventPredictionAPI 用於在每個請求中提供單一帳戶註冊的資料。在本教程中，請從帳戶註冊示例數據文件中獲取數據（電子郵件地址和 ip_address）。頂端標題行之後的每一行 (列) 代表來自單一帳戶註冊事件的資料。

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

fraudDetector.get_event_prediction(
      detectorId = 'sample_detector',
      eventId = '802454d3-f7d8-482d-97e8-c4b6db9a0428',
      eventTypeName = 'sample_registration',
      eventTimestamp = '2020-07-13T23:18:21Z',
      entities = [{'entityType':'sample_customer', 'entityId':'12345'}],
 eventVariables = {
      'email_address': 'johndoe@exampledomain.com',
      'ip_address': '1.2.3.4'
}
)         
        

完成本教學後，您將執行下列作業：