Amazon Fraud Detector は、2025 年 11 月 7 日をもって新規顧客に公開されなくなりました。Amazon Fraud Detector と同様の機能については、Amazon SageMaker、AutoGluon、および を参照してください AWS WAF。

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# モデルパフォーマンスメトリクス
<a name="training-performance-metrics"></a>

モデルトレーニングが完了すると、Amazon Fraud Detector は、モデルのトレーニングに使用されなかったデータの 15% を使用してモデルのパフォーマンスを検証します。トレーニング済みの Amazon Fraud Detector モデルには、検証パフォーマンスメトリクスに似た実世界の不正検出パフォーマンスが期待できます。

ビジネスとして、より多くの不正行為を検出することと、正当な顧客に対してより多くの軋轢を生むことのバランスをとる必要があります。適切な残高の選択を支援するために、Amazon Fraud Detector はモデルのパフォーマンスを評価するための次のツールを提供しています。
+ **スコア分布チャート** — モデルスコア分布のヒストグラムでは、100,000 イベントの母集団の例を想定しています。左側のY 軸は正当なイベントを表し、右側の Y 軸は不正イベントを表しています。チャート領域をクリックすると、特定のモデルのしきい値を選択できます。これにより、混同行列と ROC チャートの対応するビューが更新されます。
+ **混同行列** — モデルの予測と実際の結果を比較して、特定のスコアのしきい値のモデル精度を要約します。Amazon Fraud Detector では、100,000 イベントの人口例を想定しています。不正イベントや正当なイベントの分布は、ビジネスにおける不正率をシミュレートしています。
  + **真陽性** — モデルは不正を予測し、イベントも実際に不正です。
  + **偽陰性** — モデルは不正を予測しますが、イベントは実際には正当です。
  + **真陰性** — モデルは正当を予測し、イベントも実際に正当です。
  + **誤陰性** — モデルは正当を予測しますが、イベントは実際には不正です。
  + **真陽性率 (TPR)** — モデルが検出した不正行為の割合。キャプチャレートとも呼ばれます。
  + **偽陽性率 (FPR)** — 不正として誤って予測された正当なイベントの総数の割合。
+ **受信者操作特性曲線 (ROC)** — 可能なすべてのモデルスコアのしきい値に対する偽陽性率の関数として真陽性率をプロットします。[**アドバンストメトリクス**] を選択して、このチャートを表示します。
+ **曲線下面積 (AUC)** - 考えられるすべてのモデルスコアのしきい値にわたって TPR と FPR を要約します。予測検出力のないモデルの AUC は 0.5 ですが、完全モデルのスコアは 1.0 です。
+ **不確実性の範囲** – モデルから予想される AUC の範囲を示します。範囲が大きいほど (AUC の上限と下限の差 > 0.1)、モデルの不確実性が高くなります。不確実性範囲が大きい (>0.1) 場合は、ラベル付きイベントをより多く提供し、モデルを再トレーニングすることを検討してください。

**モデルパフォーマンスメトリクスを使用するには**

1. **スコアの分布**チャートから初めて、不正イベントと正当なイベントのモデルスコアの分布をグラフで確認します。理想的には、不正イベントと正当なイベントは明確に区別されます。これは、どのイベントが不正イベントでどれが正当なイベントであるかをモデルが正確に特定できていることを示しています。チャート領域をクリックして、モデルのしきい値を選択します。モデルスコアのしきい値の調整が真陽性率と偽陽性率にどのように影響するかを確認できます。
**注記**  
スコア分布チャートは、2 つの異なる Y 軸に不正イベントと正当ないベントをプロットします。左側のY 軸は正当なイベントを表し、右側の Y 軸は不正イベントを表しています。

1. **混行列**を確認します。選択したモデルのスコアのしきい値に応じて、100,000 イベントのサンプルに基づいてシミュレートされた影響を確認できます。不正イベントや正当なイベントの分布は、ビジネスにおける不正率をシミュレートしています。この情報を使用して、真陽性率と偽陽性率の適切なバランスを特定します。

1. 詳細を知るには、[**アドバンストメトリクス**] を選択します。ROC チャートを使用して、モデルスコアのしきい値に対する真陽性率と偽陽性率の関係を理解します。ROC カーブは、真陽性率と偽陽性率の間のトレードオフを微調整するのに役立ちます。
**注記**  
[**表**] を選択して、テーブル形式でメトリクスを確認することもできます。  
テーブルビューには**精度**のメトリクスも表示されます。**精度**は、不正であると予測されたすべてのイベントと比較して、不正と正しく予測できた不正イベントの割合です。

1. パフォーマンスメトリクスを使用して、目標と不正検出のユースケースに基づいて、ビジネスに最適なモデルのしきい値を決定します。例えば、モデルを使用して新しいアカウント登録を高、中、または低リスクに分類する場合は、次のように 3 つのルール条件をドラフトできるように、2 つのしきい値スコアを特定する必要があります。
   + スコア > Xは高リスク
   + スコア < X but > Y は中リスク
   + スコア < Y は低リスク