레벨 : 중급
직무 기능 : 분석가 / 과학자 / 엔지니어
산업 : 교차 산업
Michael Crotty, SAS 수석 통계 작성자, SAS
Marie Gaudard, 통계 컨설턴트
Colleen McKendry, JMP Technical Writer, SAS
비정상 탐지가 예측 모델의 목표 인 상황에서 기본 데이터는 종종 불균형 한 클래스 분포를 나타냅니다. 즉, 비정상 클래스는 비정상 클래스보다 상당히 작습니다. 모델링 목표는 대개 소수 집단의 구성원을 식별하는 것입니다. 그러나 예측 모델링 기술을 직접 적용하면 편향되고 부정확 한 모델이 될 수 있습니다. 이러한 문제를 해결하기 위해 많은 기술이 제안되었습니다. 우리는 JMP Pro 사용자가 불균형 데이터에 대한 예측 모델을 개발하도록 안내합니다. 우리는 JMP Pro의 접근 방식을 과소 대표 클래스로 분류하는 방법에 대해 설명합니다. 먼저 불균형 클래스 문제의 일반적인 측면, 즉 편향, 성능 측정 및 모델링 문제 해결 방법에 대해 설명합니다. 우리는 우리가 연구에 사용한 샘플링 방법을 논의한다. 이러한 샘플링에는 가중치, 언더 샘플링, 오버 샘플링 및 합성 소수 오버 샘플링 기법 (SMOTE)이 포함됩니다. 다양한 클래스 비율을 나타내는 여러 실제 데이터 세트의 경우 이러한 샘플링 방법을 사용하여 얻은 적합도와 JMP Pro 분류 플랫폼에서 사용할 수있는 예측 모델을 비교합니다. 제한된 범위의 시뮬레이션 데이터 세트에 대해 샘플링 기술과 예측 모델을 유사한 방식으로 탐색합니다. 시뮬레이션 된 데이터 세트의 경우 표준 모델이 클래스 불균형의 영향을 받기 시작하는 부족한 표현의 정도를 확인하려고합니다. 또한 샘플링 방법과 예측 모델의 상대적 성능에 대한 결론을 제시합니다.
