Amazon Fraud Detector tidak lagi terbuka untuk pelanggan baru per 7 November 2025. Untuk kemampuan yang mirip dengan Amazon Fraud Detector, jelajahi Amazon SageMaker AutoGluon,, dan AWS WAF.
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Penjelasan prediksi
Penjelasan prediksi memberikan wawasan tentang bagaimana setiap variabel peristiwa memengaruhi skor prediksi penipuan model Anda, dan secara otomatis dihasilkan sebagai bagian dari prediksi penipuan. Setiap prediksi penipuan dilengkapi dengan skor risiko antara 1 dan 1000. Penjelasan prediksi memberi Anda rincian pengaruh setiap variabel peristiwa pada skor risiko dalam hal besarnya (0-5, 5 tertinggi) dan arah (skor mengemudi lebih tinggi atau lebih rendah). Anda juga dapat menggunakan penjelasan prediksi untuk tugas-tugas berikut:
+ Untuk mengidentifikasi indikator risiko teratas selama inverstigasi manual ketika suatu peristiwa ditandai untuk ditinjau.
+ Untuk mempersempit akar penyebab yang mengarah pada prediksi positif palsu (misalnya, skor risiko tinggi untuk peristiwa yang sah).
+ Untuk menganalisis pola penipuan di seluruh data peristiwa dan mendeteksi bias, jika ada, dalam kumpulan data Anda.
**penting**
Penjelasan prediksi dibuat secara otomatis dan hanya tersedia untuk model yang dilatih pada atau setelah *30 Juni 2021*. Untuk menerima penjelasan prediksi untuk model yang dilatih sebelum *30 Juni 2021,* latih kembali model-model tersebut.
Penjelasan prediksi memberikan serangkaian nilai berikut untuk setiap variabel peristiwa yang digunakan untuk melatih model.
**Dampak relatif**
Memberikan referensi visual tentang dampak variabel dalam hal besarnya pada skor prediksi penipuan. Nilai dampak relatif terdiri dari peringkat bintang (0-5, 5 menjadi yang tertinggi) dan arah (meningkat/menurun) dampak risiko penipuan.
+ Variabel yang meningkatkan risiko penipuan ditunjukkan oleh bintang berwarna merah. Semakin tinggi jumlah bintang berwarna merah, semakin banyak variabel yang mendorong skor penipuan dan meningkatkan kemungkinan penipuan.
+ Variabel yang menurunkan risiko penipuan ditunjukkan oleh bintang berwarna hijau. Semakin tinggi jumlah awal berwarna hijau, semakin banyak variabel yang menurunkan skor risiko penipuan dan penurunan kemungkinan penipuan.
+ Bintang nol untuk semua variabel menunjukkan bahwa tidak ada variabel sendiri yang secara signifikan mengubah risiko penipuan.
**Nilai penjelasan mentah**
Memberikan nilai mentah dan tidak ditafsirkan yang direpresentasikan sebagai log-odds penipuan. Nilai-nilai ini biasanya antara -10 hingga \+10, tetapi berkisar dari - tak terhingga hingga \+ tak terhingga.
+ Nilai positif menunjukkan bahwa variabel mendorong skor risiko naik.
+ Nilai negatif menunjukkan bahwa variabel mendorong skor risiko turun.
Di konsol Amazon Fraud Detector, nilai penjelasan prediksi ditampilkan sebagai berikut. Peringkat bintang berwarna dan nilai numerik mentah yang sesuai memudahkan untuk melihat pengaruh relatif antar variabel.
## Melihat penjelasan prediksi
Setelah menghasilkan prediksi penipuan, Anda dapat melihat penjelasan prediksi di konsol Amazon Fraud Detector. Untuk melihat penjelasan prediksi yang menggunakan APIs dari AWS SDK, Anda harus terlebih dahulu memanggil `ListEventPrediction` API untuk mendapatkan stempel waktu prediksi untuk acara tersebut, lalu memanggil `GetEventPredictionMetadata` API untuk mendapatkan penjelasan prediksi.
### Lihat penjelasan prediksi menggunakan konsol Amazon Fraud Detector
**Untuk melihat penjelasan prediksi menggunakan konsol,**
1. Buka AWS Konsol dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. Di panel navigasi kiri, pilih **Cari prediksi masa lalu**.
1. Gunakan filter **Properti**, **Operator**, dan **Nilai** untuk memilih prediksi yang ingin Anda tinjau.
1. Di panel **Filter** atas, pastikan untuk memilih periode waktu kapan prediksi yang ingin Anda tinjau dibuat.
1. Panel **Hasil** menampilkan daftar semua prediksi yang dihasilkan selama periode waktu yang ditentukan. Klik ID Peristiwa prediksi untuk melihat penjelasan prediksi.
1. Gulir ke bawah ke **panel Penjelasan prediksi**.
1. **Tetapkan tombol **Tampilkan nilai penjelasan prediksi mentah** untuk melihat nilai penjelasan prediksi mentah dari semua variabel.**
### Lihat penjelasan prediksi menggunakan AWS SDK for Python (Boto3)
Contoh berikut menunjukkan permintaan sampel untuk melihat penjelasan prediksi menggunakan `ListEventPredictions` dan `GetEventPredictionMetadata` APIs dari SDK AWS .
**Contoh 1: Dapatkan daftar prediksi terbaru menggunakan API `ListEventPredictions`**
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.list_event_predictions(
maxResults = 10,
predictionTimeRange = {
end_time: '2022-01-13T23:18:21Z',
start_time: '2022-01-13T20:18:21Z'
}
)
```
**Contoh 2; Dapatkan daftar prediksi sebelumnya untuk jenis acara “registrasi” menggunakan API `ListEventPredictions`**
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.list_event_predictions(
eventType = {
value = 'registration'
}
maxResults = 70,
nextToken = "10",
predictionTimeRange = {
end_time: '2021-07-13T23:18:21Z',
start_time: '2021-07-13T20:18:21Z'
}
)
```
**Contoh 3: Dapatkan detail prediksi sebelumnya untuk ID peristiwa tertentu, jenis peristiwa, ID detektor, dan ID versi detektor yang dihasilkan dalam periode waktu tertentu menggunakan `GetEventPredictionMetadata` API.**
Yang `predictionTimestamp` ditentukan untuk permintaan ini diperoleh dengan terlebih dahulu memanggil `ListEventPredictions` API.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.get_event_prediction_metadata (
detectorId = 'sample_detector',
detectorVersionId = '1',
eventId = '802454d3-f7d8-482d-97e8-c4b6db9a0428',
eventTypeName = 'sample_registration',
predictionTimestamp = '2021-07-13T21:18:21Z'
)
```
## Memahami bagaimana penjelasan prediksi dihitung
Amazon Fraud Detector menggunakan [SHAP (SHapeley Additive Explanations)](https://arxiv.org/abs/1705.07874) untuk menjelaskan prediksi peristiwa individual dengan menghitung **nilai penjelasan mentah** dari setiap variabel peristiwa yang digunakan untuk pelatihan model. Nilai penjelasan mentah dihitung oleh model sebagai bagian dari algoritma klasifikasi saat menghasilkan prediksi. Nilai penjelasan mentah ini mewakili kontribusi setiap masukan terhadap logaritma kemungkinan penipuan. Nilai penjelasan mentah (dari -infinity hingga\+infinity) diubah menjadi **nilai dampak relatif** (-5 hingga \+5) menggunakan pemetaan. Nilai dampak relatif yang berasal dari nilai penjelasan mentah mewakili berapa kali peningkatan peluang penipuan (positif) atau legit (negatif), sehingga lebih mudah untuk memahami penjelasan prediksi.