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。
詐騙預測是對業務活動 （事件） 詐騙的評估。Amazon Fraud Detector 使用偵測器來產生詐騙預測。偵測器包含您想要評估詐騙的特定事件的偵測邏輯，例如模型和規則。偵測邏輯使用規則來告知 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 A 部分中，您建立、訓練和部署模型。在 B 部分中，您會為sample_registration事件類型建置偵測器、新增部署的模型、建立規則和規則執行順序，然後建立並啟用您用來產生詐騙預測的偵測器版本。
建立偵測器
-
在 Amazon Fraud Detector 主控台的左側導覽窗格中，選擇 Detectors。
-
選擇建立偵測器。
-
在定義偵測器詳細資訊頁面中，輸入
sample_detector偵測器名稱。或者，輸入偵測器的描述，例如my sample fraud detector。 -
針對事件類型，選取 sample_registration。這是您在本教學課程 A 部分中建立的事件。
-
選擇 Next (下一步)。
如果您已完成本教學課程的 A 部分，則可能已有 Amazon Fraud Detector 模型可供新增至偵測器。如果您尚未建立模型，請前往 A 部分，完成建立、訓練和部署模型的步驟，然後繼續 B 部分。
-
在新增模型 - 選用中，選擇新增模型。
-
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 模型名稱。針對選取版本，選擇已部署模型的模型版本。
-
選擇 Add model (新增模型)。
-
選擇 Next (下一步)。
規則是告訴 Amazon Fraud Detector 在評估詐騙預測時如何解譯模型效能分數的條件。在本教學課程中，您會建立三個規則：high_fraud_risk、 medium_fraud_risk和 low_fraud_risk。
-
在新增規則頁面中，定義規則下，輸入
high_fraud_risk表示規則名稱，在描述 - 選擇性下，輸入This rule captures events with a high ML model score表示規則的描述。 -
在表達式中，使用 Amazon Fraud Detector 簡化規則表達式語言輸入下列規則表達式：
$sample_fraud_detection_model_insightscore > 900 -
在結果中，選擇建立新結果。結果是詐騙預測的結果，如果規則在評估期間相符，則會傳回結果。
-
在建立新的結果中，輸入
verify_customer做為結果名稱。或者，輸入描述。 -
選擇儲存結果。
-
選擇新增規則以執行規則驗證檢查程式並儲存規則。建立之後，Amazon Fraud Detector 會將規則用於偵測器。
-
選擇新增另一個規則，然後選擇建立規則索引標籤。
-
使用下列
low_fraud_risk規則詳細資訊，再重複此程序兩次以建立您的medium_fraud_risk和 規則：-
medium_fraud_risk
規則名稱：
medium_fraud_risk結果：
review表達式：
$sample_fraud_detection_model_insightscore <= 900 and$sample_fraud_detection_model_insightscore > 700 -
low_fraud_risk
規則名稱：
low_fraud_risk結果：
approve表達式：
$sample_fraud_detection_model_insightscore <= 700
這些值是本教學課程使用的範例。當您為自己的偵測器建立規則時，請使用適合您模型和使用案例的值，
-
-
建立全部三個規則後，請選擇下一步。
偵測器中包含之規則的規則執行模式會判斷是否評估您定義的所有規則，或規則評估是否停止在第一個相符規則。而規則順序會決定您希望規則在其中執行的順序。
預設規則執行模式為 FIRST_MATCHED。
- 第一個相符項目
-
第一個相符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。您在 中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。這會high_fraud_risk移至第一個位置。重複此程序，讓您的
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。 - 所有相符項目
-
無論規則順序為何，所有相符的規則執行模式都會傳回所有相符規則的結果。如果您指定
ALL_MATCHED，Amazon Fraud Detector 會評估所有規則，並傳回所有相符規則的結果。
針對此教學課程選取 FIRST_MATCHED ，然後選擇下一步。
偵測器版本定義用於產生詐騙預測的特定模型和規則。
-
在檢閱和建立頁面中，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，請選擇對應區段旁的編輯。
-
選擇建立偵測器。建立後，偵測器的第一個版本會出現在偵測器版本資料表中，其中包含
Draft狀態。您可以使用草稿版本來測試偵測器。
在 Amazon Fraud Detector 主控台中，您可以使用模擬資料搭配執行測試功能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。
-
捲動至偵測器版本詳細資訊頁面底部的執行測試。
-
針對事件中繼資料，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符。在本教學課程中，從時間戳記的日期選擇器中選取日期，然後輸入實體 ID 的「1234」。
-
針對事件變數，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。這是因為它們是用來訓練 Amazon Fraud Detector 模型的輸入。您可以使用下列範例值。這假設您使用建議的變數名稱：-
ip_address：
205.251.233.178 -
email_address：
johndoe@exampledomain.com
-
-
選擇執行測試。
-
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。如果評估為 true，則會比對。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。這表示它們都被評估為 true。Amazon Fraud Detector 也會傳回新增至偵測器之任何模型的模型分數。您可以變更輸入並執行幾個測試，以查看不同的結果。您可以使用範例資料集的 ip_address 和 email_address 值進行測試，並檢查結果是否如預期。
-
當您對偵測器的運作方式感到滿意時，請將偵測器從 提升
Draft為Active。這樣做可讓偵測器用於即時詐騙偵測。在偵測器版本詳細資訊頁面上，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，您的模型和相關聯的偵測器邏輯已準備好使用 Amazon Fraud Detector
GetEventPredictionAPI 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CreateBatchPredictionJobAPI 來評估離線事件。如需詐騙預測的詳細資訊，請參閱 詐騙預測
完成本教學課程後，您便完成了以下操作：
-
已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。
-
部署詐騙偵測模型。
-
建立偵測器並新增部署的模型。
-
新增規則、規則執行順序和偵測器的結果。
-
提供不同的輸入並檢查規則和規則執行順序是否如預期般運作，以測試偵測器。
-
透過發佈偵測器來啟用偵測器。
