如何训练神经网络来检测模式的存在？

Question

问题的措辞是模糊的--我很乐意根据反馈来改变它。但是，我正试图训练一个神经网络来检测网站上的欺诈交易。我有很多输入参数(一天中的时间、原籍国、过去一个月的访问次数、过去一个月来自唯一IP的访问次数、交易数量、平均交易规模等)。总共可能有100多个投入。输入已经标准化和净化，它们形成了一个time series。历史上，我可以查看我的数据，并确定交易是欺诈类型A或B类型，或不欺诈性。我的训练集可能很大(数千分或数万分)。

最终，我想要一个指标: A类欺诈，B型欺诈或非欺诈。一般而言，欺诈性交易往往符合一种模式。我无法准确地识别模式(这就是我使用NN的原因)。然而，没有欺诈交易可以是任何类型的模式。因此，当第三个桶是“其他”的时候，把东西识别成3个桶似乎很奇怪。

如果这是一个开关/情况，它将类似于：

switch transactionData
  when transactionData.transaction_count < 0.2 && ....
    FRAUD_A
  when transactionData.transaction_count > 0.5 && ....
    FRAUD_B
  else
    NOT_FRAUD

显然，这些都是简化的案例，但我的问题是如何正确地为else案例进行培训。我是否获得了三种类型的数据(fraud_a、fraud_b和not_fraud)并对它们进行了培训？或者还有其他的方式来训练other

Answer 1

拥有其他(而不是欺诈)类以及您感兴趣的类通常是完全可以的。但我理解你的担心。基本上，它的任务是学习“案例/开关”，在大多数情况下，它将学习正确的一个，假设大多数样本不属于欺诈类。在一些病理案例中，分类器可以学到不同的概念，例如，除非证明不是这样，否则一切都是欺诈A类。您通常不能直接控制它，但是可以通过创建更好的特性和其他一些技巧来改变它。现在，继续你所拥有的，看看会发生什么。

你可以做的一件事是训练两个分类器，一个(欺诈/不欺诈)，然后如果发现欺诈，将数据输入二级分类器(欺诈A/欺诈B)。有时(但并不总是)这样做会更好。