本页面简要介绍了模型训练背后的概念。AML AI model 资源表示可用于生成风险的经过训练的模型 得分和可解释性。
何时训练或重新训练
AML AI 会在创建模型资源的过程中训练模型。模型必须先经过训练，然后才能进行评估（即回测）或用于生成预测结果。
为了获得最佳性能并保持模型最新，请考虑 再训练一次。不过，指定的引擎版本支持 预测出 12 个月的预测结果， 较新的次要引擎版本的发布。
如何训练
如需训练模型（即创建模型），请参阅 创建和管理模型。
具体而言，您需要选择以下各项：
用于训练的数据：
指定数据集以及数据集日期范围内的结束时间。
训练会根据截至所选结束时间（但不包括该时间）的完整日历月来使用标签和特征。如需了解详情，请参阅数据集时间范围。
使用一致的数据集创建的引擎配置：
请参阅配置引擎。
训练输出
训练会生成模型资源，可用于执行以下操作：
- 创建回测结果，用于使用当前已知的真正例来评估模型性能
- 创建预测结果，以便在准备就绪后使用 审核涉嫌洗钱的新案例
模型元数据包含 missingness 指标，可用于评估数据集一致性（例如，通过比较不同操作中特征族的缺失值）
| 指标名称 | 指标说明 | 指标值示例 |
|---|---|---|
| 缺失 |
每个地图项族中所有地图项的缺失值所占的比例。 理想情况下，所有 AML AI 功能系列都应具有 缺失值接近于 0。如果这些功能族的基础数据无法集成，则可能会出现例外情况。 在调优、 训练、评估和预测可能表明 使用的数据集。 |
{
"featureFamilies": [
{
"featureFamily": "unusual_wire_credit_activity",
"missingnessValue": 0.00,
},
...
...
{
"featureFamily": "party_supplementary_data_id_3",
"missingnessValue": 0.45,
},
],
}
|
| 重要性 |
显示特征系列对模型重要程度的指标。值越高，表示在模型中对特征系列的利用越重要。在模型中未使用的特征族的重要性为零。 在确定针对家庭偏差结果采取行动的优先级时，可以使用重要性值。例如，对于对模型更重要的系列，相同的偏差值更需要立即解决。 |
{
"featureFamilies": [
{
"featureFamily": "unusual_wire_credit_activity",
"importanceValue": 459761000000,
},
...
...
{
"featureFamily": "party_supplementary_data_id_3",
"importanceValue": 27492,
},
],
}
|
模型元数据不包含测试集中的召回率指标。要生成 召回特定时间段（例如测试集）的测量结果，请参阅 评估模型。