異常検出およびJMP（R）Pro（2019-EU-45MP-115）レベル：中級
職務：アナリスト/科学者/エンジニア
業種：クロスインダストリー
マイケル・クロッティ、JMPシニア統計ライター、SAS
Marie Gaudard、統計コンサルタント
Colleen McKendry、JMPテクニカルライター、SAS
異常検出が予測モデルの目的である状況では、基礎となるデータが不均衡なクラス分布を示すことがよくあります。すなわち、異常クラスは非異常クラスよりもかなり小さい。モデリングの目標は、通常、少数派クラスのメンバーを識別することです。ただし、予測モデリング手法を簡単に適用すると、偏りがあり不正確なモデルになる可能性があります。これらの問題に対処するために多くの技術が提案されてきた。私たちは、JMP Proユーザーに、不均衡なデータに対する予測モデルの開発を指導することを目指しています。私たちは、JMP Proのアプローチを、あまり表現されていないクラスに分類します。最初に、偏りのあるクラス問題の一般的な側面、つまりバイアス、パフォーマンスの尺度、およびモデル化の問題に対処するためのアプローチについて説明します。それから我々は我々が我々の研究で使用するサンプリング方法について議論する。これには、重み付け、アンダーサンプリング、オーバーサンプリング、および合成少数派オーバーサンプリング手法（SMOTE）が含まれます。さまざまなクラス比率を示すいくつかの実データセットについて、JMP Pro分類プラットフォームで利用可能な予測モデルと組み合わせてこれらのサンプリング方法を使用して得られた近似を比較します。限られた範囲のシミュレートされたデータセットに対して、サンプリング手法と予測モデルについて同様の調査を行います。シミュレートされたデータセットについては、標準モデルがクラスの不均衡の影響を受け始める程度の低い表現の程度を識別しようとします。また、サンプリング方法と予測モデルの相対的なパフォーマンスについての結論を提示します。
