自 2025 年 11 月 7 日起，Amazon Fraud Detector 不再向新客戶開放。對於類似 Amazon Fraud Detector 的功能，請探索 Amazon SageMaker、AutoGluon 和 AWS WAF。

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 模型分數
<a name="model-scores"></a>

Amazon Fraud Detector 會針對不同的模型類型以不同的方式產生模型分數。

對於**帳戶接管洞察 (ATI)** 模型，Amazon Fraud Detector 僅使用彙總值 （透過結合一組原始變數計算的值） 來產生模型分數。新實體的第一個事件會產生 -1 的分數，表示*未知風險*。這是因為對於新的實體，用於計算彙總的值將為零或 null。Account Takeeover Insights (ATI) 模型會針對相同實體和現有實體的所有後續事件產生介於 0 到 1000 之間的模型分數，其中 0 表示*低詐騙風險*，1000 表示*高詐騙風險*。對於 ATI 模型，模型分數與挑戰率 (CR) 直接相關。例如，分數 500 對應於預估的 5% 挑戰率，而分數 900 對應於預估的 0.1% 挑戰率。

對於**線上詐騙詳情 (OFI)** 和**交易詐騙詳情 (TFI)** 模型，Amazon Fraud Detector 會使用彙總值 （結合一組原始變數計算的值） 和原始值 （為變數提供的值） 來產生模型分數。模型分數可以介於 0 到 1000 之間，0 表示*低詐騙風險*，1000 表示*高詐騙風險*。對於 OFI 和 TFI 模型，模型分數與偽陽性率 (FPR) 直接相關。例如，分數 600 對應於預估的 10% 偽陽性率，而分數 900 對應於預估的 2% 偽陽性率。下表提供特定模型分數如何與預估誤報率相互關聯的詳細資訊。


| 模型分數 | 預估 FPR | 
| --- | --- | 
|  975  |  0.50%  | 
|  950  |  1%  | 
|  900  |  2%  | 
|  860  |  3%  | 
|  775  |  5%  | 
|  700  |  7%  | 
|  600  |  10%  |