異常檢測和 JMP(R) Pro ( 2019-EU-45MP-115 )級別：中級
工作職能：分析師/科學家/工程師
Michael Crotty，JMP 高級統計作家，SAS
Marie Gaudard，統計顧問
Colleen McKendry，JMP 技術作家，SAS
最佳邀請論文入圍
在異常檢測是預測模型目標的情況下，基礎數據通常表現出不平衡的類別分佈。 即，異常類明顯小於非異常類。 建模目標通常是識別少數類的成員。 然而，預測建模技術的直接應用可能會導致有偏差和不准確的模型。 已經提出了許多技術來解決這些問題。 我們尋求指導 JMP Pro 用戶開發不平衡數據的預測模型。 我們使用 JMP Pro 方法來分類到代表性不足的類別。 我們首先描述不平衡類問題的一般方面：偏差、性能測量和解決建模問題的方法。 然後我們討論我們在研究中使用的抽樣方法；這些包括加權、欠採樣、過採樣和合成少數過採樣技術 (SMOTE)。 對於顯示不同類別比例的幾個真實數據集，我們將使用這些抽樣方法獲得的擬合與 JMP Pro 分類平台中提供的預測模型進行比較。 我們對有限範圍的模擬數據集進行了類似的抽樣技術和預測模型探索。 對於模擬數據集，我們試圖確定標準模型開始受到類不平衡影響的代表性不足的程度。 我們還提出了有關抽樣方法和預測模型的相對性能的結論。
執行本演示文稿中討論的分析的插件現在可用：不平衡分類加載項.該插件擴展了 Scripts_and_Results.zip 中腳本的功能。除其他功能外，該插件不依賴於 R，它對包含名義和有序預測變量的數據集執行 SMOTE、Tomek 和 SMOTE 加 Tomek 採樣，並通過對話框的“幫助”按鈕提供大量文檔。
峰會最佳爆發數據探索預測建模回复：異常檢測和 JMP(R) Pro ( 2019-EU-45MP-115 )我不知道 JMP Pro 中有什麼內置的東西可以處理實時傳感器數據，但是通過一些腳本，我相信你可以做到。 對於更大的 JMP 社區來說，這將是一個很好的問題。
感謝您的關注和提問！
邁克爾
回复：異常檢測和 JMP(R) Pro ( 2019-EU-45MP-115 )謝謝。這真的很棒而且很有幫助！
一個問題，JMPpro可以用於實時異常檢測（例如傳感器數據）嗎？
謝謝你！
