Podejrzane znaczniki czasu
Przedział ufności (CI) dla czasu transakcji może wskazywać na podejrzany znacznik czasu. Szacując parametry mu i kappa rozkładu von Misesa na podstawie wcześniejszych znaczników czasu, możesz obliczyć gęstość (czyli prawdopodobieństwo) nowego znacznika czasu.
Zbiór danych ts zawierający wszystkie znaczniki czasu oraz pakiet circular są już wczytane. Estymacje estimates dla pierwszych 24 znaczników czasu są dostępne w twoim środowisku, podobnie jak poziom prawdopodobieństwa alpha ustawiony na 95%.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w R
Instrukcje do ćwiczenia
- Pobierz okresową średnią (
mu) oraz koncentrację (kappa) z pierwszych 24 estymacji. - Użyj funkcji
dvonmises(), aby oszacować gęstości wszystkich znaczników czasu wts. - Użyj funkcji
dvonmises()iqvonmises(), aby wyznaczyć wartość progową 95% dla(1 - alpha)/2). W razie potrzeby zajrzyj do slajdów! - Zdefiniuj zmienną
time_feature: powinna mieć wartość true, jeśli gęstości są większe lub równe wartości progowej, a false w przeciwnym razie. Prześlij odpowiedź, aby zobaczyć, które znaczniki czasu leżą poza 95% przedziałem ufności.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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))