Level: Mittelstufe
Jobfunktion: Analyst / Wissenschaftler / Ingenieur
Industrie: Branchenübergreifend
Michael Crotty, Senior Statistical Writer bei JMP, SAS
Marie Gaudard, Statistischer Berater
Colleen McKendry, JMP Technical Writer, SAS
In Situationen, in denen die Erkennung von Anomalien das Ziel eines Vorhersagemodells ist, weisen die zugrunde liegenden Daten oft eine unausgewogene Klassenverteilung auf. Die anomale Klasse ist nämlich wesentlich kleiner als die nicht-anomale Klasse. Das Modellierungsziel besteht in der Regel darin, Mitglieder der Minderheitenklasse zu identifizieren. Eine unkomplizierte Anwendung prädiktiver Modellierungstechniken kann jedoch zu einem verzerrten und ungenauen Modell führen. Viele Techniken wurden vorgeschlagen, um diese Probleme anzugehen. Wir möchten JMP Pro-Benutzern bei der Entwicklung von Vorhersagemodellen für unausgewogene Daten unterstützen. Wir sprechen JMP Pro-Ansätze für die Klassifizierung in eine unterrepräsentierte Klasse an. Zuerst werden allgemeine Aspekte des Problems der unausgewogenen Klassen beschrieben: Befangenheit, Leistungsmessungen und Ansätze zur Lösung der Modellierungsprobleme. Wir diskutieren dann die Stichprobenmethoden, die wir in unserer Studie verwenden. Dazu gehören Gewichtung, Unterabtastung, Überabtastung und die synthetische Minoritäts-Überabtastungstechnik (SMOTE). Für mehrere reale Datensätze, die unterschiedliche Klassenanteile aufweisen, vergleichen wir die mit diesen Stichprobenverfahren erhaltenen Anpassungen in Kombination mit Vorhersagemodellen, die in JMP Pro-Klassifizierungsplattformen verfügbar sind. Wir führen eine ähnliche Untersuchung von Abtasttechniken und Vorhersagemodellen für einen begrenzten Bereich simulierter Datensätze durch. Bei den simulierten Datensätzen versuchen wir herauszufinden, für welchen Grad der Unterrepräsentation Standardmodelle von Klassenunwuchten betroffen sind. Wir präsentieren auch Schlussfolgerungen zur relativen Leistung der Stichprobenverfahren und Vorhersagemodelle.
