来自 CC防护 2021-11-07 21:25 的文章

云防护_软防ddos有用吗_限时优惠

云防护_软防ddos有用吗_限时优惠

人工智能产生了一个新的秩序,人工智能似乎与之平行。这个由两部分组成的博客揭示了两种截然不同的人工智能技术的奥秘:有监督学习和无监督学习。监督学习:人工智能的主力军机器学习和计算人工智能的大多数已知应用都涉及监督学习。建模者积累了大量现有数据(例如,金融交易、互联网照片或tweets的文本)和一个基本的"基本真相"结果,这些结果可能是通过回顾或昂贵的人力调查而已知的。配备了任何数量的计算算法,服务器如何做cc防御,科学家就成了"监督者",其代码训练模型在实验室以低错误概率再现已知结果。然后,这些模型被部署到一个幸福的生活中去,在信用风险和欺诈可能性上打分,找到吉娃娃和松饼的照片,或者在微博上贴上侮辱性的标语。从技术上讲,每个模型都计算一个概率加权的预测结果,我们认为它与训练示例中的结果类似。监督学习的最新技术现在已经成熟;你可以从许多综合预测分析和神经网络软件包中选择。无监督学习:没有结果的推理但是,如果没有一套已知的"真正的结果",或者手头的结果在质量或数量上受到限制,那会怎样呢?那么机器学习能为我们做些什么呢?这是更棘手的无监督学习的领域,它在没有结果的情况下进行推论。好的无监督学习需要比有监督的学习更多的关心、判断和经验,因为对于计算机来说,没有一个明确的、数学上可表示的目标,在不了解底层领域的情况下盲目优化。异常值检测的挑战无监督建模中的一个中心任务是异常值检测:哪些示例与大多数同类示例最不相同?异常值检测和交易欺诈评分提供了一个简单的说明:哪些客户要求转账的模式与大多数同龄人大不相同?哪家医疗机构为与同行最不一样的一系列索赔开出保险单?个人支付卡上的哪些交易与客户的日常行为最为不同?到目前为止,这些任务的解决方案是将原始数据转换为定量的特征向量空间,这与有监督的预测建模完全一致。其次是一个更通用的数学结构,在没有实际训练结果的情况下,得出"异常程度"的数值分数。因为与经典的监督建模相比,原理少得多,说教式的指导和广泛使用的软件更少,因此需要分析科学家深入经验和判断的分析"陷阱"更多。异常值检测的困难和注意事项包括:定义一个度量或距离的需要。许多技术需要在两组观测值之间定义一个"度量"或"距离"函数。一个问题是,这个特征向量的各个组成部分有着质的不同的含义——如何平衡苹果和橘子、金橘和袋鼠的加减呢?通常这是临时完成的,或者不幸的是,由于底层算法方法假设了一个度量,所以没有任何意图。在定量和分类相结合的真实场景中,应该做些什么?有监督的建模往往可以忽略这个问题,因为在已知目标的情况下,自建cdn防御ddos,定量优化往往会自动调整和转换每个特征,ddos防御F5解决方案,从而达到预测值的程度。在无监督的情况下,一个明确的度量将对异常值的评分产生重大影响;这是由分析科学家强加的。此外,微信ddos防御算法,在高维空间中,我们从三维物理经验中获得的关于邻域和邻里关系属性的直觉是非常误导的:训练数据集中随机选择的一个点通常比一个点的最近邻点距离不远。在FICO,我们认为在这些直觉下得出的离群数据应该谨慎对待。计分的计算负担。在计算和内存方面,用离群值模型对新观测值进行评分的成本有多高?是否需要为评分创建任何复杂的数据结构?我们是否需要保留训练数据集的一个重要部分(或全部)来对生产中的新观察进行评分?评分的校准和解释。如果我们有一个代表"异常程度"的数字,它意味着什么?在自然数据集下,它是否具有良好的、近似连续的分数分布,或者分布是否不规则,具有显著的delta函数或缺口?当训练集的维度发生变化时会发生什么,即是否存在主要的系统趋势?特征互相关。这是一个微妙而关键的问题,在这个领域很少引起注意。通常,底层特征被设计用于解决问题域的特定问题,但通常存在大量相关的、因此相关的特征,这些特征涵盖了问题的一些概念轴,但行为的其他方面仅由每个特征来表示。对异常值得分的影响可能很严重。有人能以一种有原则的方式自动平衡这一点吗?商业级异常值检测要求除了明确的技术问题外,还有一些更高层次的属性,FICO科学家认为,一个最先进的商业解决方案必须解决这些问题。检测到的异常行为的定性多样性。通常,在某些异常值统计下,安徽抗ddos天网防御,数量上排名最高的观察值可能都是某一特定"类型"异常值的结果,例如,单一的欺诈或滥用手法。然而,主题专家知道可能存在大量的异常行为。一个更好的方法将产生异常情况的定性多样性。对于不太成熟的从业者来说,这是一个很难解决的问题,在公共文献中几乎没有提及,但在商业应用中却非常重要。在一个有原则的算法中完全补偿广义特征互相关对实现这一目标有很大的帮助。定性异常与定量异常:识别"未知未知未知"。我们能否区分异常值,这些异常值是对正常行为的显著"定量"夸大,还是从定性意义上与规范基本不同的异常值?两者都应该在一个离群的统计数据上得分很高,但我们希望第二个统计数据得分更高。回过头来看看这个博客的第2部分,我将告诉你更多关于FICO在异常值检测方面的最新创新,以及我们如何在欺诈和合规解决方案中应用这些无监督学习突破。在Twitter@ScottZoldi上关注我。