Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Buat jenis acara
Sebelum Anda membuat model deteksi penipuan, Anda harus terlebih dahulu membuat jenis acara. Membuat jenis acara melibatkan mendefinisikan aktivitas bisnis Anda (acara) untuk mengevaluasi penipuan. Mendefinisikan peristiwa melibatkan identifikasi variabel peristiwa dalam kumpulan data Anda untuk disertakan untuk evaluasi penipuan, menentukan entitas yang memulai peristiwa, dan label yang mengklasifikasikan peristiwa tersebut.
Prasyarat untuk membuat jenis acara
Sebelum Anda mulai membuat jenis acara Anda, pastikan bahwa Anda telah menyelesaikan hal-hal berikut:
-
Menggunakan Penjelajah model data alat ini untuk mendapatkan wawasan tentang elemen data yang diperlukan oleh Amazon Fraud Detector untuk membuat model deteksi penipuan Anda.
-
Menggunakan wawasan yang Anda dapatkan dari Data Models Explorer untuk membuat kumpulan data acara dan mengunggah kumpulan data Anda ke bucket Amazon S3.
-
DibuatVariabel,Entitas, dan Label Anda ingin Amazon Fraud Detector digunakan untuk membuat model deteksi penipuan untuk acara ini. Pastikan variabel, tipe entitas, dan label yang Anda buat disertakan dalam kumpulan data acara Anda.
Anda dapat membuat jenis peristiwa di konsol Amazon Fraud Detector, menggunakan API, menggunakan AWS CLI, atau menggunakan AWS SDK.
Buat jenis acara di konsol Amazon Fraud Detector
Untuk membuat jenis acara,
-
Buka Konsol AWS Manajemen
dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector. -
Di panel navigasi kiri, pilih Acara.
-
Di halaman Jenis acara, pilih Buat.
-
Di bawah rincian jenis Acara,,
-
Dalam Nama, masukkan nama acara Anda.
-
Dalam Deskripsi, secara opsional, masukkan deskripsi.
-
Di Entitas, pilih jenis entitas yang Anda buat untuk acara Anda.
-
-
Di bawah variabel Peristiwa,
-
Dalam Pilih cara mendefinisikan variabel acara ini,
-
Jika Anda telah membuat variabel acara untuk acara ini, pilih Pilih variabel dari daftar variabel Anda dan dalam Variabel, pilih variabel yang Anda buat untuk acara ini.
-
Jika Anda belum membuat variabel untuk acara ini, pilih Pilih variabel dari kumpulan data pelatihan,
-
Dalam peran IAM, pilih Peran IAM yang Anda inginkan Amazon Fraud Detector gunakan untuk mengakses bucket Amazon S3 yang berisi kumpulan data Anda
-
Di lokasi Data masukkan jalur ke lokasi dataset Anda. Gunakan
S3 URI
jalur yang mirip dengan ini:S3://
.your-bucket-name
/example dataset filename
.csv -
Pilih Unggah.
-
Di bawah Variabel, semua nama variabel peristiwa yang diekstrak Amazon Fraud Detector dari file dataset Anda ditampilkan.
Jika Anda ingin variabel disertakan untuk mendeteksi penipuan, dalam tipe Variabel, pilih jenis variabel. Pilih Hapus untuk menghapus variabel agar tidak disertakan untuk deteksi penipuan. Ulangi langkah ini untuk setiap variabel dalam daftar.
-
-
-
-
Di bawah Label (opsional), di Label, pilih label yang Anda buat untuk acara ini. Pastikan untuk memilih satu label masing-masing untuk peristiwa penipuan dan sah.
-
Jika Anda ingin mengatur pemrosesan hilir otomatis untuk acara ini, di bawah Orkestrasi acara dengan EventBridge Amazon - opsional, aktifkan Aktifkan orkestrasi acara dengan Amazon. EventBridge Untuk informasi lebih lanjut tentang orkestrasi acara, lihat. Orkestrasi acara
catatan
Anda juga dapat mengaktifkan orkestrasi acara nanti setelah membuat jenis acara Anda.
-
Pilih Buat jenis acara.
Buat jenis acara menggunakan AWS SDK untuk Python (Boto3)
Contoh berikut menunjukkan permintaan sampel untuk PutEventType
API. Contoh mengasumsikan Anda telah membuat variabel ip_address
danemail_address
, label legit
danfraud
, dan jenis sample_customer
entitas. Untuk informasi tentang cara membuat sumber daya ini, lihatSumber daya.
catatan
Anda harus terlebih dahulu membuat variabel, tipe entitas, dan label sebelum menambahkannya ke jenis acara.
import boto3 fraudDetector = boto3.client('frauddetector') fraudDetector.put_event_type ( name = 'sample_registration', eventVariables = ['ip_address', 'email_address'], labels = ['legit', 'fraud'], entityTypes = ['sample_customer'])