具有不平衡权重的人工神经网络
Artificial Neural Network with unbalanced weights
我一直在阅读 ANN 的概念，以便将其应用于我的项目（信用卡欺诈检测）。给定一组网络输入，比如：
- A1 - 输入 PIN 码的时间
- A2 - 要提取的金额
- A3 - ATM 位置
- A4 - 全局行为（时间和日期，以及执行交易的顺序）
这些输入与 "norm" 的偏差越大，该输入对网络的权重就越大。我的问题来了，神经网络如何处理一个输入的权重（比如 A1）高而所有其他权重都低的情况？
输入的概率密度函数组合形成一个多维概率分布（通常是多个维度的椭圆体）。输入的组合是一个向量，N-space 中该点的概率值告诉您它是真实的还是假的。这适用于每个轴，其中除了一个输入之外的所有输入都为零，以及所有变量都具有显着值的位置。如果您的所有输入都具有平滑的高斯概率分布，那么您得到的概率分布就是一个超椭圆体，您实际上并不需要神经网络。
当一个或多个变量具有复杂的概率密度时，或者如果组合变量会在概率密度中产生意想不到的特征（漏洞和凸起），使用神经网络会变得经济。然后神经网络在大量真实输入组合和已知结果上的训练告诉它输入 space 的哪些区域是有趣的，哪些区域是平凡的。再一次，如果你有足够的内存，你可以自己将它们映射到一个高分辨率的大 N 维数组中，但这有什么乐趣呢？神经网络还将在区域之间平滑插值，这可能使其决策比实际概率更模糊 space（即准确度指标降至 100% 以下）。
我一直在阅读 ANN 的概念，以便将其应用于我的项目（信用卡欺诈检测）。给定一组网络输入，比如：
- A1 - 输入 PIN 码的时间
- A2 - 要提取的金额
- A3 - ATM 位置
- A4 - 全局行为（时间和日期，以及执行交易的顺序）
这些输入与 "norm" 的偏差越大，该输入对网络的权重就越大。我的问题来了，神经网络如何处理一个输入的权重（比如 A1）高而所有其他权重都低的情况？
输入的概率密度函数组合形成一个多维概率分布（通常是多个维度的椭圆体）。输入的组合是一个向量，N-space 中该点的概率值告诉您它是真实的还是假的。这适用于每个轴，其中除了一个输入之外的所有输入都为零，以及所有变量都具有显着值的位置。如果您的所有输入都具有平滑的高斯概率分布，那么您得到的概率分布就是一个超椭圆体，您实际上并不需要神经网络。
当一个或多个变量具有复杂的概率密度时，或者如果组合变量会在概率密度中产生意想不到的特征（漏洞和凸起），使用神经网络会变得经济。然后神经网络在大量真实输入组合和已知结果上的训练告诉它输入 space 的哪些区域是有趣的，哪些区域是平凡的。再一次，如果你有足够的内存，你可以自己将它们映射到一个高分辨率的大 N 维数组中，但这有什么乐趣呢？神经网络还将在区域之间平滑插值，这可能使其决策比实际概率更模糊 space（即准确度指标降至 100% 以下）。