Marcas temporales sospechosas
Un intervalo de confianza (CI) para la hora de una transacción puede indicar una marca temporal sospechosa. Estimando los parámetros mu y kappa de la distribución de von Mises a partir de marcas temporales previas, puedes calcular la densidad (o verosimilitud) de una nueva marca temporal.
El conjunto de datos ts con todas las marcas temporales y el paquete circular ya están cargados. Las estimates de las primeras 24 marcas temporales están disponibles en tu espacio de trabajo, así como el nivel de probabilidad alpha fijado en el 95%.
Este ejercicio forma parte del curso
Detección de fraude en R
Instrucciones del ejercicio
- Obtén la media periódica (
mu) y la concentración (kappa) de las primeras 24estimates. - Usa
dvonmises()para estimar las densidades de todas las marcas temporales ents. - Usa
dvonmises()yqvonmises()para determinar el valor de corte del 95% para(1 - alpha)/2). ¡Consulta las diapositivas si es necesario! - Define la variable
time_feature: debe ser true si las densidades son mayores o iguales que el valor de corte y false en caso contrario. Enviar respuesta para ver qué marcas temporales quedan fuera del intervalo de confianza del 95%.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Estimate the periodic mean and concentration on the first 24 timestamps
p_mean <- ___ %% 24
concentration <- ___
# Estimate densities of all 25 timestamps
densities <- ___(___, mu = ___, kappa = ___)
# Check if the densities are larger than the cutoff of 95%-CI
quantile <- ___((1 - ___)/2, mu = p_mean, kappa = concentration)
cutoff <- ___(___, mu = ___, kappa = ___)
# Define the variable time_feature
time_feature <- ___ >= ___
print(cbind.data.frame(ts, time_feature))