Autoencodeurs et erreur de reconstruction
- Leçon 25
- 40 min
- Module 6 : Méthodes profondes et plongements
Où nous en sommes
Nos détecteurs classiques mesurent la distance, la densité ou l'isolement. Tomás demande si un réseau de neurones en trouve davantage. Dans cette leçon, nous entraînons un petit autoencodeur sur un processeur pour reconstruire les paiements normaux. Nous utilisons l'erreur comme score et le comparons honnêtement à Isolation Forest dans le tableau comparatif.
Leçon 25 sur 38 · Détection d'anomalies : trouver ce qui est inhabituelAutoencodeurs et erreur de reconstruction
1. Ce que « inhabituel » veut dire
2. Des références de base simples et difficiles à battre
3. Maîtrise statistique des procédés et dérive de distribution
- Cartes de contrôle : cette variation est-elle normale?
- Règles pour les motifs, et le prix de chaque règle
- Cartes pour les taux et les dénombrements
- Petits décalages durables : CUSUM et EWMA
- La distribution a-t-elle changé?
- Dérive dans de nombreuses variables, et quoi faire
- Loi de Benford et autres vérifications d'affaires
4. Distance, densité et isolement
5. Les anomalies dans le temps
6. Méthodes profondes et plongements
7. Évaluer avec peu d'étiquettes
8. Apprendre des réviseurs
9. Exploiter un détecteur en production
Ce que vous saurez faire
Utilisez un petit réseau de neurones comme détecteur d’anomalies. Il apprend à reconstruire les paiements normaux, et son erreur devient le score. Puis, avec le tableau comparatif, décidez si son coût supplémentaire en vaut la peine chez Larkfield.
Carnet JupyterFaites cette leçon dans un carnet
Le carnet (notebook) Jupyter contient toutes les cellules de code, tâches et vérifications de cette leçon. Ses cellules de configuration installent pandas, scikit-learn et PyTorch (environ 200 Mo) et téléchargent les paiements (environ 7 Mo). L’entraînement prend quelques secondes sur un processeur. Environ 40 minutes.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- Les variables de comportement et Isolation Forest (forêt d’isolement), présentées dans Isolation Forest et Les variables comptent plus que l’algorithme.
- La précision au budget, présentée dans Le paiement qui ne cadrait pas, et le tableau comparatif, dans Découvrir les données de Larkfield.
- Savoir ce que sont une couche et une boucle d’entraînement est utile, mais pas obligatoire. Neurones et couches et La boucle d’entraînement, dans L’apprentissage profond et les transformeurs expliqués, les présentent. Cette leçon explique les éléments qu’elle utilise.
Ce qu’il vous faut sur votre ordinateur
Un navigateur et un compte Google ou Kaggle gratuit pour le carnet, ou la configuration locale de Découvrir les données de Larkfield. Aucun processeur graphique requis.
Testé avec Python 3.12.13 dans Jupyter sur macOS, avec PyTorch 2.15.0 sur le processeur. Colab, Kaggle et Windows n’ont pas été testés.
La copiste de signatures
Section intitulée « La copiste de signatures »Imaginez une employée de banque qui vérifie des signatures toute la journée. Après quelques mois, elle peut reproduire de mémoire la signature de chaque client régulier. Elle ne garde pas de liste de fausses signatures. Elle connaît simplement très bien les signatures normales.
Un jour, un chèque arrive avec une signature étrange. Elle essaie de la reproduire de mémoire, mais sa copie ressemble à la signature habituelle du client. Sa copie et le chèque ne correspondent pas. Plus la différence est grande, plus le chèque est suspect.
Remarquez le principe. L’employée n’a jamais appris à reconnaître une fausse signature. Elle a appris à reconstruire ce qui est normal, puis elle a utilisé son échec de reconstruction comme alarme.
La question de Tomás
Section intitulée « La question de Tomás »Dans le module 4, nous avons attribué un score à chaque paiement avec des méthodes classiques. La distance aux k plus proches voisins (kNN) demande : « À quelle distance ce paiement se trouve-t-il de ses voisins? » Isolation Forest demande : « À quelle vitesse des coupures aléatoires peuvent-elles l’isoler? » Sur les variables de comportement, les deux atteignaient une précision au budget d’environ 0,50.
Tomás, l’ingénieur en IA de Larkfield, en veut davantage. « Ce sont de vieilles méthodes, dit-il. Un réseau de neurones apprend ses propres régularités. Il trouvera plus de fraude. » La question est légitime. La réponse doit venir d’une mesure, pas d’une impression sur les méthodes nouvelles ou anciennes.
Cette leçon représente donc l’employée de banque par un réseau de neurones. Le réseau attribue des scores aux mêmes paiements, avec le même budget. Nous lisons ensuite le résultat dans le tableau comparatif.
L’idée : reconstruire ce qui est normal et mesurer l’échec
Section intitulée « L’idée : reconstruire ce qui est normal et mesurer l’échec »Un autoencodeur est un petit réseau de neurones avec une seule tâche : restituer sa propre entrée. Il comporte deux moitiés :
- L’encodeur réduit l’entrée à un plus petit nombre de valeurs. Ces quelques valeurs forment le code.
- Le décodeur reconstruit l’entrée à partir du code seulement.
Son nom le dit : il encode sa propre entrée, par lui-même (« auto »). La réduction est l’élément important. Le code est trop petit pour conserver chaque détail de chaque entrée. Pendant l’entraînement, le réseau conserve donc seulement les régularités fréquentes dans ses données d’entraînement. Si ces données sont surtout normales, il apprend les régularités de ce qui est normal.
L’erreur de reconstruction est la différence entre l’entrée et l’entrée reconstruite. Nous élevons au carré la différence de chaque valeur, puis calculons la moyenne. Le réseau reconstruit bien une entrée normale, donc son erreur est faible. Il reconstruit une entrée inhabituelle comme si elle était normale, donc son erreur est grande. L’erreur est le score d’anomalie, et aucune étiquette n’est nécessaire.
Un petit exemple avec six points
Section intitulée « Un petit exemple avec six points »La première cellule du carnet crée six points avec deux nombres chacun, x et y. Les cinq premiers sont proches de la droite y = 2x. Le sixième point, (2, 0,5), ne l’est pas. L’autoencodeur réduit 2 nombres à 1, puis reconstruit 2 nombres à partir de celui-ci. Il apprend uniquement à partir des cinq points normaux, pendant 2 000 petites étapes.
La sortie :
x y rebuilt x rebuilt y error0.0 0.0 -0.01 0.01 0.0001.0 2.0 1.00 2.00 0.0002.0 4.1 2.03 4.06 0.0013.0 5.9 2.97 5.94 0.0014.0 8.0 4.01 7.99 0.0002.0 0.5 0.98 1.96 1.591Pourquoi cela fonctionne-t-il? Un seul nombre suffit à décrire un point sur la droite : sa position le long de celle-ci. Le réseau a donc appris à utiliser la « position le long de la droite » comme code. Il reconstruit les cinq points normaux presque exactement, avec des erreurs de 0,001 ou moins.
Le sixième point n’est pas sur la droite. Le réseau peut seulement reconstruire des points sur la droite. Il reconstruit donc (2, 0,5) en (0,98, 1,96), un point sur la droite. L’erreur est de 1,591, soit plus de mille fois les autres. C’est la copie ratée de l’employée de banque, exprimée en nombres.
Le réseau de Larkfield fonctionne de la même façon, avec plus de nombres :
Description textuelle du diagramme
Le schéma est une chaîne de cinq boîtes, de gauche à droite. La première boîte est l’entrée : 8 nombres, les variables de comportement d’un paiement. La deuxième boîte est l’encodeur, qui passe de 8 nombres à 16, puis à 3. La troisième boîte est le code : 3 nombres, le résultat de la réduction. La quatrième boîte est le décodeur, qui passe de 3 nombres à 16, puis à 8. La cinquième boîte est la sortie : 8 nombres, le paiement reconstruit. Deux lignes pointillées, partant de l’entrée et de la sortie, rejoignent une dernière boîte : l’erreur de reconstruction. C’est la moyenne des différences au carré entre l’entrée et la sortie, et c’est le score d’anomalie.
L’autoencodeur de Larkfield
Section intitulée « L’autoencodeur de Larkfield »Le réseau reçoit les mêmes huit variables de comportement qu’Isolation Forest dans le module 4. Par exemple : « un nouvel appareil pour ce client » et « les paiements de ce client dans la dernière heure ». Une autre compare le montant au montant habituel du client. Chaque variable est d’abord mise à l’échelle. Nous soustrayons sa moyenne et divisons par sa dispersion, pour que toutes les variables aient une taille semblable. Sans mise à l’échelle, une variable avec de grands nombres déterminerait l’erreur à elle seule.
Le réseau apprend à partir des mois de référence, de juin à août 2025 : 173 271 paiements. Il attribue ensuite des scores aux 169 803 paiements des mois d’évaluation, de septembre à novembre. C’est la même répartition que pour chaque ligne du tableau comparatif.
Entraînement
Section intitulée « Entraînement »Entraîner signifie montrer un groupe de paiements au réseau, mesurer son erreur et modifier légèrement ses poids pour réduire l’erreur. Un poids est un des nombres internes du réseau que l’entraînement modifie. Ce réseau a 395 poids. Un passage sur tous les paiements d’entraînement est une époque. Le carnet entraîne le réseau pendant 10 époques, par groupes de 512 paiements :
def train_autoencoder(X, hidden=16, code_size=3, epochs=10, seed=0): """A small autoencoder: 8 numbers -> 16 -> 3 -> 16 -> 8. It learns from the reference payments only.""" torch.manual_seed(seed) d = X.shape[1] net = torch.nn.Sequential(torch.nn.Linear(d, hidden), torch.nn.ReLU(), torch.nn.Linear(hidden, code_size), torch.nn.ReLU(), torch.nn.Linear(code_size, hidden), torch.nn.ReLU(), torch.nn.Linear(hidden, d)) opt = torch.optim.Adam(net.parameters(), lr=1e-3) gen = torch.Generator().manual_seed(seed) for epoch in range(epochs): perm = torch.randperm(len(X), generator=gen) for i in range(0, len(X), 512): batch = X[perm[i:i + 512]] loss = ((net(batch) - batch) ** 2).mean() opt.zero_grad(); loss.backward(); opt.step() print(f"epoch {epoch + 1}: loss {loss.item():.4f}") return net
net = train_autoencoder(X_ref)with torch.no_grad(): error = ((net(X_eval) - X_eval) ** 2).mean(dim=1).numpy()La perte est l’erreur d’entraînement. La cellule affiche la perte du dernier groupe de chaque époque :
epoch 1: loss 0.2376epoch 2: loss 0.1660epoch 3: loss 0.0596epoch 4: loss 0.0489epoch 5: loss 0.0466epoch 6: loss 0.0526epoch 7: loss 0.0819epoch 8: loss 0.0446epoch 9: loss 0.0226epoch 10: loss 0.0452La perte diminue, avec un peu de bruit d’un groupe à l’autre. L’entraînement a pris moins d’une seconde sur la machine de test, avec un seul fil d’exécution sur le processeur. La dernière ligne calcule l’erreur de chaque paiement d’évaluation : c’est le score.
Le carnet définit torch.set_num_threads(1). Avec plusieurs fils d’exécution, l’ordre des sommes peut changer. Les nombres peuvent donc varier légèrement d’une exécution à l’autre.
Un paiement reconstruit
Section intitulée « Un paiement reconstruit »Regardez la cliente C-01234 de la première leçon. Son premier paiement inséré provenant du Portugal est arrivé le 3 octobre 2025 à 2 h 14 min 7 s. Son dernier paiement habituel du samedi est arrivé le 27 septembre. Voici les deux, variable par variable. La colonne « erreur » donne la différence au carré après la mise à l’échelle, pour permettre de comparer les variables :
| Variable | 27 sept. : valeur | reconstruite | erreur | 3 oct. : valeur | reconstruite | erreur |
|---|---|---|---|---|---|---|
| montant comparé au montant habituel (log) | −0,06 | −0,06 | 0,00 | 0,44 | 0,10 | 0,35 |
| nouveau pays | 0 | 0,00 | 0,00 | 1 | 1,01 | 0,01 |
| nouvel appareil | 0 | 0,00 | 0,00 | 1 | 0,75 | 1,49 |
| minutes depuis le dernier paiement (log) | 9,22 | 9,26 | 0,00 | 9,01 | 5,95 | 1,40 |
| paiements dans la dernière heure | 1 | 0,99 | 0,00 | 1 | 1,28 | 0,08 |
| paiements de l’appareil dans la dernière heure | 1 | 0,97 | 0,00 | 1 | −0,61 | 0,48 |
| nuit | 0 | 0,00 | 0,00 | 1 | 0,94 | 0,11 |
| compte d’entreprise | 0 | 0,01 | 0,00 | 0 | −0,24 | 0,32 |
| Erreur de reconstruction (moyenne) | 0,000 | 0,530 |
Le réseau reconstruit le paiement habituel presque exactement. Son erreur est la 1 757e plus grande de la journée, donc personne ne le révise.
Le paiement inséré est plus difficile. Son erreur est de 0,530, la 43e plus grande du 3 octobre. Il entre donc dans les 50 places de Sofia. Les plus grandes erreurs concernent le nouvel appareil et le temps écoulé depuis le dernier paiement. Le réseau reconstruit bien « nouveau pays » et « nuit ». Les mois de référence contiennent aussi de tels paiements, liés aux voyages et à la fraude insérée pendant l’été. Personne ne les a retirés avant l’entraînement. Un autoencodeur apprend ce qui est fréquent, pas ce qui est honnête.
Les erreurs de tous les paiements
Section intitulée « Les erreurs de tous les paiements »Regardez maintenant tous les paiements d’évaluation. Les erreurs couvrent une immense plage, de moins de 0,0001 à environ 10. Les graphiques montrent donc le logarithme de l’erreur. Sur cette échelle, −3 signifie 0,001, −2 signifie 0,01, et 0 signifie 1. Le premier graphique montre 4 000 paiements honnêtes choisis au hasard (sur 166 986). Le deuxième montre les 2 817 paiements insérés.
Description textuelle du graphique
L’axe des x est le logarithme en base 10 de l’erreur de reconstruction, de −4,25 à 1,25. L’axe des y compte les paiements honnêtes. La plupart des paiements se trouvent à gauche, entre −4 et −3, soit des erreurs entre 0,0001 et 0,001. Un plus petit groupe se trouve entre −3 et −1. Très peu sont à droite de la ligne pointillée à −0,24. Cette ligne est l’erreur de la 50e alerte d’une journée médiane. Sur les 4 000 paiements, 59 la dépassent.
Description textuelle du graphique
L’axe des x est le même que dans le graphique précédent, de −4,25 à 1,25. L’axe des y compte les paiements insérés. La plupart des paiements insérés se trouvent entre −0,5 et 1, soit des erreurs entre environ 0,3 et 10. Les barres les plus hautes sont juste à droite de 0. Une queue s’étend vers la gauche, jusqu’à environ −4. Le réseau reconstruit certains paiements insérés aussi bien que les paiements normaux. Sur les 2 817 paiements, 2 243 dépassent la ligne pointillée à −0,24.
Les deux formes sont très différentes : l’erreur médiane est de 0,0004 pour les paiements honnêtes et de 1,14 pour les paiements insérés. L’autoencodeur a donc appris quelque chose de réel. Mais les paiements honnêtes sont nombreux. Au-dessus du seuil de la journée médiane, il y a 2 243 paiements insérés et 2 244 paiements honnêtes. Une petite part d’un grand groupe reste un grand nombre, et ces paiements honnêtes occupent les places de Sofia.
La comparaison honnête
Section intitulée « La comparaison honnête »Le carnet évalue l’autoencodeur et Isolation Forest avec les mêmes variables, la même répartition et le même budget de 50 alertes par jour :
detector setting alerts per day precision at budget recall cost per week ($) explain one alert (min) autoencoder behaviour features; 8-16-3-16-8, 10 epochs 50.0 0.434 0.701 3958 5Isolation Forest behaviour features; 200 trees 50.0 0.500 0.808 3218 3Le réseau de Tomás a perdu. Sa précision au budget est de 0,434 contre 0,500. Il trouve 70,1 % des paiements insérés contre 80,8 %, et coûte 740 dollars de plus par semaine. Le graphique le place à côté des autres lignes du tableau comparatif :
- Règles, ou plafond
- Autoencodeur
- Apprentissage automatique classique
Description textuelle du graphique
Sept lignes, avec un point chacune, sur un axe de précision à 50 alertes par jour allant de 0,40 à 0,60. Deux règles, classées : 0,427. L’autoencodeur du carnet : 0,434. Le même autoencodeur avec un autre point de départ pour ses poids : 0,468. SVM à une classe (One-Class SVM) : 0,480. Isolation Forest : 0,500. Distance kNN : 0,505. Un détecteur parfait qui connaît les réponses : 0,542, le plafond. Les deux points des autoencodeurs sont à gauche d’Isolation Forest et de kNN, et légèrement à droite des deux règles.
Deux exécutions, deux réponses
Section intitulée « Deux exécutions, deux réponses »Le tableau comparatif contient une deuxième ligne pour l’autoencodeur : 0,468. C’est le même réseau sur les mêmes données, avec une autre initialisation : les nombres aléatoires de départ des poids. Ici, ils viennent d’un autre point de la même séquence aléatoire. Un seul changement de point de départ a fait varier la précision de 0,034. Isolation Forest, avec sa graine aléatoire fixe, donne 0,500 à chaque exécution.
Pour un réseau de neurones, une seule exécution n’est donc pas un résultat. Présentez la dispersion de plusieurs exécutions et comparez-la au modèle plus simple. Ici, même la meilleure exécution (0,468) reste sous Isolation Forest (0,500) et kNN (0,505).
Meilleur pour un type de fraude
Section intitulée « Meilleur pour un type de fraude »Une seule ligne masque les détails. Le carnet affiche aussi le rappel pour chaque type de fraude insérée :
| Type de fraude | Autoencodeur | Isolation Forest |
|---|---|---|
| Prise de contrôle de compte | 0,575 | 0,443 |
| Test de cartes | 0,503 | 0,718 |
| Carte volée | 0,825 | 0,905 |
L’autoencodeur trouve davantage de prises de contrôle de compte : quelques paiements coûteux effectués depuis le compte du client. Il trouve moins de tests de cartes et de cartes volées. Si les prises de contrôle de compte étaient le principal problème de Larkfield, cela pourrait compter. Examinez les types de fraude avant de choisir un modèle.
Quand utiliser un autoencodeur, et ce qu’il coûte
Section intitulée « Quand utiliser un autoencodeur, et ce qu’il coûte »Un autoencodeur est un bon choix quand :
- les données contiennent beaucoup de nombres liés, où la « normale » forme une structure à plusieurs dimensions : images, sons, mesures de capteurs d’une machine ou longues séquences;
- vous avez beaucoup de données normales pour l’entraînement;
- les modèles plus simples ont été mesurés d’abord, avec la même séparation des données, et ont perdu.
Chez Larkfield, aucun de ces critères n’est vraiment présent. Les huit variables ont été conçues à la main. Une forêt ou une recherche de voisins les utilise donc déjà bien.
Et le réseau coûte plus cher, de quatre façons :
- Plus de choix. Taille des couches, taille du code, époques, taux d’apprentissage, mise à l’échelle. Chaque choix peut changer le résultat, comme l’a montré le deuxième entraînement.
- Plus de variation. Chaque initialisation donne une autre précision. Vous devez donc faire plusieurs entraînements.
- Plus difficile à expliquer. Le tableau comparatif suppose 5 minutes pour expliquer une alerte, contre 3 pour Isolation Forest. Ces durées sont une hypothèse du cours. Les erreurs par variable dans le tableau précédent aident. Mais le réviseur voit quand même un score issu de 395 poids.
- Plus de choses à installer et à exécuter. PyTorch fait environ 200 Mo. Isolation Forest fait partie de scikit-learn.
La compression comporte aussi un piège. Si le code a autant de dimensions que l’entrée, le réseau peut apprendre à copier chaque entrée. Toutes les erreurs sont alors petites. Votre deuxième tâche dans le carnet mesure si cela se produit ici après 10 époques.
Erreur courante
Donner les colonnes brutes au réseau
Symptôme : Tomás entraîne l’autoencodeur sur les trois colonnes brutes : le montant, l’heure et le type de compte. « Un réseau de neurones trouve ses propres caractéristiques », dit-il. Sa précision au budget fixé est de 0,074 (tableau comparatif, valeur mesurée). Isolation Forest atteint 0,208 avec les mêmes colonnes brutes.
Cause : les colonnes brutes ne révèlent pas la fraude. Un voleur garde les montants petits, comme l’ont montré les huit paiements du client C-01234 au Portugal. Pour les paiements insérés, 49 % de l’erreur provenait du montant et 50 % du type de compte. Les clients d’affaires font de gros paiements, alors le réseau les signale. Le signal se trouve dans le passé du client : un nouvel appareil, beaucoup de paiements en une heure. Aucune colonne du tableau brut ne contient ce passé.
Solution : donnez au réseau les variables de comportement. Il atteint alors 0,434 (0,468 avec une autre initialisation). Les variables comptent plus que l’algorithme, même pour un réseau.
Conséquence pour le travail en IA : un modèle profond ne découvre pas l’historique d’un client si vous ne le lui donnez pas. Un réseau plus grand avec les mauvaises entrées ne fait que mieux s’ajuster aux mauvaises entrées.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Expliquez dans vos mots pourquoi l'erreur de reconstruction d'un autoencodeur peut servir de score d'anomalie, sans étiquettes.
Afficher la réponse
Le réseau apprend à reconstruire ses données d’entraînement à partir d’un petit code. Il ne conserve que les motifs fréquents dans ces données, qui sont surtout normales. Il reconstruit donc bien les entrées normales et mal les entrées inhabituelles. L’ampleur de cet échec, l’erreur de reconstruction, indique à quel point une entrée est inhabituelle. L’entraînement demande seulement au réseau de reproduire sa propre entrée. Il n’a donc jamais besoin de savoir quelles lignes sont frauduleuses.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Prédisez : un client honnête paie depuis le Portugal pendant ses vacances, la nuit, avec un nouveau téléphone. L'autoencodeur donnera-t-il à ce paiement une petite ou une grande erreur? Que vous apprend cette réponse sur le score?
Afficher la réponse
Une grande erreur, probablement. La combinaison nouveau pays, nouvel appareil et nuit est rare pendant les mois de référence. Le réseau ne peut donc pas bien la reconstruire. L’erreur mesure à quel point un paiement est inhabituel, et non s’il est frauduleux. C’est pourquoi l’équipe de Sofia révise encore chaque alerte. C’est aussi pourquoi les voyages honnêtes et les nouveaux téléphones occupent certaines des 50 places.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Tomás dit : « Le tableau comparatif donne 0,468 pour l'autoencodeur. Avec quelques entraînements de plus, je trouverai un point de départ qui bat Isolation Forest. » Quel est le problème avec ce plan?
Afficher la réponse
Choisir le meilleur parmi plusieurs entraînements sur les mois d’évaluation ajuste le modèle au corrigé. La précision du meilleur entraînement est trop optimiste pour de nouveaux mois. Présentez plutôt l’étendue des résultats de plusieurs entraînements : 0,434 et 0,468 ici. Les deux restent sous Isolation Forest (0,500) et kNN (0,505). Comptez aussi le coût : plus de choix, plus de choses à installer et 5 minutes pour expliquer une alerte. C’est plutôt 3 minutes pour Isolation Forest (hypothèse du cours).
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Un autoencodeur comprime son entrée dans un petit code, puis la reconstruit. Il apprend ce qui est fréquent et reconstruit donc bien les données normales.
- L’erreur de reconstruction est le score d’anomalie. Dans le petit exemple, les cinq points normaux avaient des erreurs de 0,001 ou moins. Le point hors de la ligne avait une erreur de 1,591.
- Pour les paiements de Larkfield, l’erreur médiane des paiements honnêtes était de 0,0004, contre 1,14 pour les paiements insérés. Mais au-dessus du seuil d’une journée médiane, il y avait autant de paiements honnêtes que de paiements insérés.
- Avec les mêmes variables, la même séparation et le même budget, l’autoencodeur a obtenu 0,434 (0,468 avec une autre initialisation). Isolation Forest a obtenu 0,500 et kNN, 0,505. Il a trouvé plus de prises de contrôle de comptes, mais moins de tests de cartes et de cartes volées.
- Un réseau de neurones exige plus de choix, plus d’entraînements, plus d’explications et plus de choses à installer. Mesurez d’abord les modèles plus simples du tableau.
Vous pouvez maintenant construire un détecteur avec un réseau qui reconstruit des nombres normaux. Mais certains événements inhabituels de Larkfield ne sont pas du tout des nombres. Le service du centre de soutien écrit des phrases dans ses journaux. Ensuite, vous trouverez de nouveaux types de messages dans les journaux, d’abord avec un gabarit peu coûteux, puis avec des plongements.
Leçon suivante : Texte et journaux inhabituels avec les plongements