Re: Detección de anomalías y JMP® Pro (2019-US-45MP-218)¡Muchas gracias por proporcionar este recurso! Tengo una pregunta sobre cómo obtener AUC para la curva de precisión. Tengo R instalado en el escritorio y cuando ejecuto la secuencia de comandos de datos desequilibrados, llega a crear conjuntos de datos y luego dice Obtener valores de AUC para Precison Curve. Se sienta durante unos 10-145 segundos y luego aparece el error JMP. No crea el informe de ningún tipo. Antes de instalar R, crearía el informe (tal como lo muestra su powerpoint), pero los valores de AUC para la curva de precisión no se calculan. ¿Qué estoy haciendo mal? Quisiera tener esos calculados automáticamente.
Gracias
Re: Detección de anomalías y JMP® Pro (2019-US-45MP-218)Hola Natalia,
Gracias tú por usar nuestro script! Parece que el problema está relacionado con la instalación de R. En la versión del script que se publica actualmente, obtenemos los valores de AUC de la curva de recuperación de precisión de R. Sin embargo, tenemos una nueva versión del script que no utiliza R en absoluto y tiene características adicionales, pero puede requerir JMP 15 para correr.
Si lo desea, podría enviarle esa versión, empaquetada como un complemento. Sin embargo, no veo una manera de adjuntar un archivo a este correo electrónico a través de la Comunidad JMP. Si pudiera enviarme su dirección de correo electrónico, entonces puedo enviarle un borrador del nuevo complemento. Mi correo electrónico es mgaudard@tampabay.rr.com.
--Marie
Re: Detección de anomalías y JMP® Pro (2019-US-45MP-218)Hola Natalia,
Solo quería informarle que los scripts de datos desequilibrados de la conferencia de Tucson ahora se han empaquetado en un complemento, que puede encontrar aquí:
Complemento de clasificación desequilibrada . El complemento tiene capacidades ampliadas: entre otras características, no depende de R, realiza muestreo SMOTE, Tomek y SMOTE más Tomek en conjuntos de datos que incluyen predictores nominales y ordinales, y proporciona documentación extensa a través del botón Ayuda del cuadro de diálogo. .
¡Esperamos que te sea de utilidad!
Marie
Detección de anomalías y JMP® Pro (2019-US-45MP-218)Nivel: avanzado
Michael Crotty, @michael_jmp , Redactor estadístico senior de JMP, SAS
Colleen McKendry, @cozmck , Escritor técnico de JMP, SAS
Marie Gaudard, @marie_gaudard , Consultor Estadístico
En situaciones en las que la detección de anomalías es el objetivo de un modelo predictivo, los datos subyacentes suelen mostrar una distribución de clases desequilibrada. Es decir, la clase anómala es significativamente más pequeña que la clase no anómala. El objetivo del modelo suele ser identificar a los miembros de la clase minoritaria. Sin embargo, una aplicación sencilla de técnicas de modelado predictivo puede resultar en un modelo sesgado e inexacto. Se han propuesto muchas técnicas para abordar estos problemas. Buscamos guiar a los usuarios de JMP Pro en el desarrollo de modelos predictivos para datos desequilibrados. Abordamos los enfoques de JMP Pro para la clasificación en una clase subrepresentada. Primero describimos los aspectos generales del problema de clase desequilibrada: sesgo, medidas de desempeño y enfoques para abordar los problemas de modelado. Luego discutimos los métodos de muestreo que usamos en nuestro estudio; estos incluyen ponderación, submuestreo, sobremuestreo y la técnica de sobremuestreo de minorías sintéticas (SMOTE). Para varios conjuntos de datos reales que exhiben proporciones de clases variables, comparamos los ajustes obtenidos utilizando estos métodos de muestreo en combinación con modelos predictivos disponibles en las plataformas de clasificación JMP Pro. Realizamos una exploración similar de técnicas de muestreo y modelos predictivos para una gama limitada de conjuntos de datos simulados. Para los conjuntos de datos simulados, intentamos identificar el grado de subrepresentación por el cual los modelos estándar comienzan a verse afectados por el desequilibrio de clases. También presentamos conclusiones sobre el desempeño relativo de los métodos de muestreo y modelos predictivos.
Ahora está disponible un complemento que realiza los análisis discutidos en esta presentación: Complemento de clasificación desequilibrada . El complemento amplía las capacidades de los scripts que se encuentran en Scripts_and_Results.zip. Entre otras características, el complemento no depende de R, realiza muestreo SMOTE, Tomek y SMOTE más Tomek en conjuntos de datos que incluyen predictores nominales y ordinales, y proporciona una amplia documentación a través del botón Ayuda del cuadro de diálogo.
FugarseVídeo
