Horodatages suspects
Un intervalle de confiance (IC) pour l'heure d'une transaction peut indiquer un horodatage suspect. En estimant les paramètres mu et kappa de la loi de von Mises à partir des horodatages précédents, vous pouvez calculer la densité (ou vraisemblance) d'un nouvel horodatage.
Le jeu de données ts contenant tous les horodatages et le paquet circular sont déjà chargés. Les estimates des 24 premiers horodatages sont disponibles dans votre espace de travail, ainsi que le niveau de probabilité alpha fixé à 95 %.
Cette activité fait partie du cours
Détection de la fraude en R
Instructions de l’exercice
- Récupérez la moyenne périodique (
mu) et la concentration (kappa) des 24 premières estimations. - Utilisez
dvonmises()pour estimer les densités de tous les horodatages dets. - Utilisez
dvonmises()etqvonmises()pour déterminer la valeur seuil à 95 % pour(1 - alpha)/2). Référez-vous au diaporama au besoin! - Définissez la variable
time_feature: elle doit être vraie si les densités sont supérieures ou égales à la valeur seuil et fausse sinon. Soumettre la réponse pour voir quels horodatages se trouvent à l'extérieur de l'intervalle de confiance à 95 %.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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))