SYSTEMS AND METHODS FOR MACHINE LEARNING FEATURE GENERATION

A method and apparatus for generating an ML model may include: generating an ML feature template comprising a first grouping of first ML feature variables and a second grouping of second ML feature variables; generating ML features by combining a respective one of each of the first ML feature variab...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: MADWED, Isaac, DRAPEAU, Ryan
Format: Patent
Sprache:eng ; fre
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:A method and apparatus for generating an ML model may include: generating an ML feature template comprising a first grouping of first ML feature variables and a second grouping of second ML feature variables; generating ML features by combining a respective one of each of the first ML feature variables with a respective one of each of the second ML feature variables; training a first ML model utilizing the ML features and first training data to generate an ML output; analyzing the ML output to determine a prediction accuracy of the ML features; based on the prediction accuracy of the ML features, selecting a subset of the ML features; training a second ML model based on the subset of the ML features and the first training data; and providing a network transaction to the second ML model to generate a classification of the network transaction. L'invention concerne un procédé et un appareil de génération d'un modèle d'apprentissage automatique (AA) pouvant comprendre les étapes suivantes: la génération d'un modèle de fonctionnalités AA comprenant un premier groupement de premières variables de fonctionnalités AA et un second groupement de secondes variables de fonctionnalités AA; la génération des fonctionnalités AA par combinaison d'une variable respective de chacune des premières variables de fonctionnalités AA avec une variable respective de chacune des secondes variables de fonctionnalités AA; l'entraînement d'un premier modèle AA au moyen des fonctionnalités AA et des premières données d'apprentissage pour générer une sortie AA; l'analyse de la sortie AA pour déterminer une précision de prédiction des fonctionnalités AA; sur la base de la précision de prédiction des fonctionnalités AA, la sélection d'un sous-ensemble des fonctionnalités AA; l'entraînement d'un second modèle AA sur la base du sous-ensemble des fonctionnalités AA et des premières données d'apprentissage; et la fourniture d'une transaction de réseau au second modèle AA pour générer une classification de la transaction réseau.