安全是有分量的

服务器防ddos_cc防御盾_新用户优惠

2021-06-11 23:03栏目:应用

服务器防ddos_cc防御盾_新用户优惠

神经网络可以大大增加公司用来解决最大商业挑战的分析工具库。但是,无数的组织在部署具有"黑匣子"外观的机器学习算法时犹豫不决;虽然他们的数学方程通常很简单,但要得出一个人类可以理解的解释往往是困难的。其结果是,即使是具有潜在商业价值的机器学习模型也可能仍然无法解释——这是一种与受管制行业不兼容的质量——因此通常不会被用于生产。为了克服这一挑战,FICO开发了一种正在申请专利的机器学习技术,称为可解释的潜在特征;它将可解释性放在首位,它源自我们30年来使用神经网络解决商业问题的经验。可解释性导论一个神经网络模型有一个复杂的结构,即使是最简单的神经网络有一个单一的隐藏层很难理解(图1)。FICO的方法扩展了每个隐藏节点规范的驱动特性。这就产生了一个可解释的神经网络;隐藏节点中的转换使得公司和监管机构的人类分析师很容易理解神经网络的行为,在mininet防御ddos,防御ddos和cc攻击,从而加快了生产过程。生成此模型将导致学习一组可解释的潜在特征:单个输入变量的非线性变换,或两个或多个变量相互作用的结果。节点的可解释性阈值是单个隐藏节点中允许的输入数量的上限。图1:神经网络和节点结构即使是最简单的神经网络也可能只有一个隐藏层,这使得它很难理解。来源:FICO博客解释成本函数的可解释性使用反向传播算法训练神经网络。在下面的例子中,成本函数(误差平方均值)最小化。反向传播算法利用该代价函数的导数来调整模型权重。通过绝对权重之和添加惩罚项的效果是将较小的权重收敛到零(通常是大多数权重)。因此,隐藏节点得到简化。在图2中,隐藏节点LF1是输入变量v2的非线性变换,LF2是两个输入变量v1和v5的交互作用。这些节点被视为已解析,因为输入的数量小于或等于本例中的可解释性阈值2。另一方面,节点LF3被认为是未解析的。图2:具有一个未解析节点的神经网络节点LF3未解析,因为其输入的数量超出了可解释性阈值。来源:FICO博客分解是一个迭代过程要解析一个未解析的节点,我们需要使用它的激活。然后训练一个新的神经网络模型,该隐节点的输入变量成为新神经网络的预测因子,隐节点的激活是目标。该过程将惩罚项应用于代价函数,将未解决的节点表示为另一层隐藏节点,其中一些节点已被解决。将这种方法迭代地应用于所有未解析的节点会导致一个具有不寻常结构的深层神经网络,其中每个节点都是解析的,因此可以解释。图3:具有解析节点的神经网络可解释性是通过以迭代方式应用解析技术来实现的。来源:FICO博客潜在的工作特征一个可解释的多层神经网络很容易被分析员、业务经理和监管者理解。由于提高了透明度,火绒5.0防御ddos,这些机器学习模型可以直接部署。或者,分析团队可以利用所学的潜在特性并将其合并到当前的模型体系结构中(例如记分卡)。利用这种机器学习技术的优势有两个:它不会改变创建和部署传统模型的任何既定工作流。它通过建议在"传统rails"中使用的新特性来提高模型的性能该库能够获取输入数据集并学习可解释的潜在特征,已作为FICO®Analytics Workbench中的库部署。它可以:导出一个增强的数据集,其中包含新学习的潜在特征以及原始字段。提供每个新学习的潜在特征的定义列表。该数据集可用于增强传统模型,如用于风险管理的记分卡模型。为了进一步发挥潜在特征可解释性的能力,云锁防御ddos,可以将所学的可解释神经网络模型导出并部署到FICO®决策管理平台中,提供端到端模型开发和执行能力。通过这种方式,FICO通过释放可解释的潜在特征的能力,穿盾cc怎么防御,帮助我们的客户解构机器学习和神经网络的任何挥之不去的"黑匣子"内涵。与我最新的分析思维和我的竞争,以实现100个专利申请。在Twitter@ScottZoldi上关注我。