Livello: intermedio
Funzione di lavoro: analista / scienziato / ingegnere
Industria: industria trasversale
Michael Crotty, JMP Senior Statistical Writer, SAS
Marie Gaudard, consulente statistica
Colleen McKendry, JMP Technical Writer, SAS
Nelle situazioni in cui l'individuazione di anomalie è l'obiettivo di un modello predittivo, i dati sottostanti mostrano spesso una distribuzione di classe squilibrata. Vale a dire, la classe anomala è significativamente più piccola della classe non anomala. L'obiettivo di modellizzazione è solitamente quello di identificare i membri della classe di minoranza. Tuttavia, un'applicazione diretta delle tecniche di modellazione predittiva può comportare un modello distorto e impreciso. Molte tecniche sono state proposte per affrontare questi problemi. Cerchiamo di guidare gli utenti di JMP Pro nello sviluppo di modelli predittivi per dati sbilanciati. Affrontiamo gli approcci di JMP Pro alla classificazione in una classe sottorappresentata. Per prima cosa descriviamo gli aspetti generali del problema di classe squilibrato: pregiudizi, misure di rendimento e approcci per affrontare i problemi di modellizzazione. Discutiamo poi i metodi di campionamento che usiamo nel nostro studio; questi includono la ponderazione, il sottocampionamento, il sovra-campionamento e la tecnica del sovracampionamento di minoranza sintetico (SMOTE). Per diversi set di dati reali che mostrano proporzioni di classe diverse, confrontiamo gli accoppiamenti ottenuti utilizzando questi metodi di campionamento in combinazione con i modelli predittivi disponibili nelle piattaforme di classificazione JMP Pro. Eseguiamo un'esplorazione simile delle tecniche di campionamento e dei modelli predittivi per una gamma limitata di serie di dati simulate. Per i set di dati simulati, tentiamo di identificare il grado di sottorappresentazione per il quale i modelli standard iniziano a essere influenzati dallo squilibrio di classe. Presentiamo anche conclusioni sulla performance relativa dei metodi di campionamento e dei modelli predittivi.
