15、基于自编码器的信用卡欺诈检测模型优化探索

基于自编码器的信用卡欺诈检测模型优化探索

1. 神经网络编译与训练基础

在构建神经网络时，我们需要对设计好的层进行编译。这涉及到选择损失函数、优化器以及评估指标。
- 损失函数 ：我们基于自编码器重构特征矩阵与原始特征矩阵之间的重构误差来评估模型，因此选择均方误差作为评估指标，自定义评估函数使用类似的平方误差和。
- 优化器 ：神经网络训练会进行多个轮次（即周期），每一轮都会调整权重以减少损失。常用的随机梯度下降（SGD）优化器有固定的学习率，但在大多数情况下，动态调整学习率效果更好。Adam优化算法基于自适应矩估计，能在训练过程中动态调整学习率，我们选择使用它。
- 训练模型 ：为简化操作，我们将评估指标设为准确率。以下是编译和训练模型的代码：

model.compile(optimizer='adam',
              loss='mean_squared_error',
              metrics=['accuracy'])
num_epochs = 10
batch_size = 32
history = model.fit(x=X_train_AE, y=X_train_AE,
                    epochs=num_epochs,
                    batch_size=batch_size,
                    shuffle=True,
                    valida