B 部分：產生詐騙預測 - Amazon Fraud Detector

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

B 部分：產生詐騙預測

欺詐預測是對商業活動（事件）欺詐的評估。Amazon Fraud Detector 使用偵測器產生詐騙預測。偵測器包含您要評估詐騙之特定事件的偵測邏輯，例如模型和規則。偵測邏輯會使用規則告知 Amazon Fraud Detector 如何解譯與模型相關聯的資料。在本教學課程中，您會使用先前上傳的帳戶註冊範例資料集來評估帳戶註冊事件。

在零件 A 中，您已建立、訓練及部署模型。在 B 部分中，您可以為sample_registration事件類型建立偵測器、新增已部署的模型、建立規則和規則執行順序，然後建立並啟動用來產生詐騙預測的偵測器版本。

若要建立偵測器

  1. 在 Amazon Fraud Detector 主控台的左側導覽窗格中，選擇 De tector。

  2. 選擇創建檢測器。

  3. 在 [定義偵測器詳細資訊] 頁面中，輸入sample_detector偵測器名稱。您可以選擇輸入偵測器的描述，例如my sample fraud detector。

  4. 對於事件類型，選取範例註冊。這是您在本自學課程的第 A 部分中建立的事件。

  5. 選擇 下一步。

如果您完成本教學課程的 A 部分，那麼您可能已經擁有可新增至偵測器的 Amazon Fraud Detector 模型。如果您尚未建立模型，請移至「A 部分」並完成建立、訓練和部署模型的步驟，然後繼續執行 B 部分。

  1. 在 [新增模型-選用] 中，選擇 [新增模型]。

  2. 在「新增模型」頁面中，針對 「選取模型」，選擇您先前部署的 Amazon Fraud Detector 型號名稱。對於 「選取版本」，請選擇已部署模型的模型版本。

  3. 選擇 Add model (新增模型)。

  4. 選擇 下一步。

規則是指示 Amazon Fraud Detector 如何在評估詐騙預測時解譯模型效能分數的條件。在本自學課程中，您將建立三個規則：high_fraud_riskmedium_fraud_risk、和low_fraud_risk。

  1. 在 [新增規則] 頁面的 [定義規則] 下，輸入high_fraud_risk規則名稱，並在 [說明-選用性] 下輸入This rule captures events with a high ML model score規則的說明。

  2. 在運算式中，使用 Amazon Fraud Detector 簡化的規則運算式語言輸入下列規則運算式：

    $sample_fraud_detection_model_insightscore > 900

  3. 在 [成果] 中，選擇 [建立新的結果]。結果是詐騙預測的結果，如果規則在評估期間符合，則會傳回結果。

  4. 在建立新結果中，輸入verify_customer作為結果名稱。您可以選擇輸入描述。

  5. 選擇 [儲存結果]。

  6. 選擇新增規則以執行規則驗證檢查程式並儲存規則。建立後，Amazon Fraud Detector 會讓規則可用於您的偵測器。

  7. 選擇 [新增其他規則]，然後選擇 [建立規則] 索引標籤。

  8. 再重複此程序兩次，以使用下列low_fraud_risk規則詳細資訊建立您的medium_fraud_risk和規則：

    • 中等詐騙風險

      規則名稱：medium_fraud_risk

      成果：review

      表達式：

      $sample_fraud_detection_model_insightscore <= 900 and

      $sample_fraud_detection_model_insightscore > 700

    • 低欺詐風險

      規則名稱：low_fraud_risk

      成果：approve

      表達式：

      $sample_fraud_detection_model_insightscore <= 700

    這些值是用於此教學課程的範例。當您為自己的偵測器建立規則時，請使用適合您的模型和使用案例的值，

  9. 建立全部三個規則之後，請選擇 [下一步]。

    如需建立和寫入規則的詳細資訊，請參閱規則和規則語言參考。

偵測器中包含之規則的規則執行模式會決定是否評估您定義的所有規則，或規則評估是否在第一個符合的規則停止。規則順序決定了您希望規則執行的順序。

預設規則執行模式為FIRST_MATCHED。

第一個匹配

第一個符合的規則執行模式會根據定義的規則順序傳回第一個相符規則的結果。若您指定 FIRST_MATCHED，Amazon Fraud Detector 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。然後，Amazon Fraud Detector 會提供該單一規則的結果。

您執行規則的順序可能會影響產生的詐騙預測結果。建立規則之後，請依照下列步驟重新排序規則，以所需的順序執行規則：

如果您的high_fraud_risk規則尚未在規則清單頂端，請選擇 [順序]，然後選擇 [1]。這將移動high_fraud_risk到第一個位置。

重複此程序，以便您的medium_fraud_risk規則位於第二個位置，而您的low_fraud_risk規則位於第三個位置。

全部符合

無論規則順序為何，所有符合的規則執行模式都會傳回所有符合規則的結果。若您指定ALL_MATCHED，Amazon Fraud Detector 會評估所有規則，並傳回所有相符規則的結果。

選取FIRST_MATCHED此教學課程，然後選擇 [下一步]。

檢測器版本定義了用於生成欺詐預測的特定模型和規則。

  1. 在「檢閱並建立」頁面中，檢閱您設定的偵測器詳細資訊、模型和規則。如果您需要進行任何變更，請選擇相應區段旁邊的 [編輯]。

  2. 選擇創建檢測器。建立偵測器之後，偵測器的第一個版本會顯示在「偵測器版本」表格中，並顯示Draft狀態。

    您可以使用草稿版本來測試您的偵測器。

在 Amazon Fraud Detector 主控台中，您可以使用具有執行測試功能的模擬資料來測試偵測器的邏輯。在本教學課程中，您可以使用範例資料集中的帳戶註冊資料。

  1. 捲動至 [偵測器版本詳細資訊] 頁面底部的 [執行測試]。

  2. 在事件中繼資料中，輸入事件發生時間的時間戳記，並為執行事件的實體輸入唯一識別碼。在本教學課程中，從日期選擇器中選取時間戳記的日期，然後輸入「1234」做為實體 ID。

  3. 在事件變數中，輸入您要測試的變數值。在本教學課程中，您只需要ip_address和email_address欄位。這是因為它們是用於訓練 Amazon Fraud Detector 模型的輸入。您可使用以下範例值。這假設您使用了建議的變量名稱：

    • 位址 (_1)：205.251.233.178

    • 電子郵件地址：johndoe@exampledomain.com

  4. 選擇運行測試。

  5. Amazon Fraud Detector 會根據規則執行模式傳回詐騙預測結果。如果規則執行模式為FIRST_MATCHED，則傳回的結果會對應至符合的第一個規則。第一個規則是具有最高優先順序的規則。如果它被評估為 true，它是匹配的。如果規則執行模式為ALL_MATCHED，則傳回的結果會對應至符合的所有規則。這意味著它們都被評估為真實。Amazon Fraud Detector 也會傳回新增至偵測器之任何模型的模型分數。

    您可以更改輸入並運行幾個測試以查看不同的結果。您可以使用範例資料集中的 ip_address 和 email_ address 值進行測試，並檢查結果是否符合預期。

  6. 當您對探測器的工作方式感到滿意時，請將其從推廣Draft到Active。這樣做使得檢測器可用於實時欺詐檢測。

    在偵測器版本詳細資料頁面上，選擇 [動作]、[發佈]、[發佈版本 這會將偵測器的狀態從「草稿」變更為「作用中」。

    此時，您的模型和相關的偵測器邏輯已準備好使用 Amazon Fraud DetectorGetEventPrediction API 即時評估線上活動是否有詐騙。您也可以使用 CSV 輸入檔案和CreateBatchPredictionJob API 離線評估事件。如需有關詐騙預測的詳細資訊，請參閱詐騙預測

完成本教學課程後，您將執行下列作業：

  • 將範例事件資料集上傳至 Amazon S3。

  • 使用範例資料集建立並訓練 Amazon Fraud Detector 詐騙偵測模型。

  • 檢視 Amazon Fraud Detector 產生的模型效能分數和其他效能指標。

  • 部署了欺詐檢測模型。

  • 創建了一個檢測器並添加了部署的模型。

  • 在偵測器中新增規則、規則執行順序和結果。

  • 通過提供不同的輸入並檢查規則和規則執行順序是否按預期工作來測試檢測器。

  • 通過發布它激活檢測器。