Conférencier
|
Transcription
|
| Michel Croty |
Bonjour. Merci d'être à l'écoute |
| |
notre exposé sur le complément de classification déséquilibrée qui vous permet de comparer les techniques d'échantillonnage et les modèles dans JMP Pro. |
| |
Je suis Michael Crotty. Je suis l'un de ces rédacteurs statistiques dans l'équipe de documentation de JMP et ma co-présentatrice aujourd'hui est Colleen McKendry, également dans l'équipe de stat-doc. Et c'est un travail sur lequel nous avons collaboré avec Marie Gaudard. |
| |
Voici donc un bref aperçu de notre conversation d'aujourd'hui. Nous examinerons le but de l'ajout que nous avons créé, quelques informations sur le problème de classification déséquilibrée et comment vous obtenez un modèle de classification dans cette situation. |
| |
Nous examinerons certaines méthodes d'échantillonnage que nous avons incluses dans le complément et qui sont populaires pour le problème de classification déséquilibrée. |
| |
Nous examinerons les options disponibles dans le complément |
| |
et expliquez comment obtenir le complément, puis Colleen montrera un exemple et une démonstration du complément. |
| |
Dans les diapositives disponibles sur la communauté, il y a aussi des références et une annexe qui contient des informations générales supplémentaires. |
| |
Ainsi, le but de notre complément, le complément de classification déséquilibrée, il vous permet d'appliquer une variété de techniques d'échantillonnage conçues pour les données déséquilibrées. |
| |
Vous pouvez comparer les résultats de l'application de ces techniques, ainsi que divers modèles prédictifs disponibles dans JMP Pro. |
| |
Et vous pouvez comparer ces modèles et ces techniques d'échantillonnage à l'aide de courbes de rappel de précision, de courbes ROC et de courbes de gains, ainsi que d'autres mesures. |
| |
Cela vous permet de choisir un seuil de classification à l'aide des courbes. |
| |
Et vous pouvez également appliquer les techniques d'échantillonnage Tomek, SMOTE et SMOTE plus Tomek directement à vos données, ce qui vous permet ensuite d'utiliser les plates-formes JMP existantes et |
| |
sur ces données nouvellement échantillonnées et affiner les options de modélisation, si vous n'aimez pas les options de méthode principalement par défaut que nous avons choisies. |
| |
Et juste une note, les techniques d'échantillonnage Tomek, SMOTE et SMOTE plus Tomek peuvent être utilisées avec des variables prédictives nominales et ordinales, ainsi que continues. |
| |
Donc, quelques informations sur le problème des données déséquilibrées. |
| |
Donc, en général, vous pourriez avoir une réponse multinomiale, mais nous nous concentrerons sur le fait que la variable de réponse est binaire, et le point clé est que le nombre d'observations à un niveau de réponse est bien supérieur au nombre d'observations à l'autre niveau de réponse. |
| |
Et nous appellerons ces niveaux de réponse les niveaux de classe majoritaire et minoritaire, respectivement. Ainsi, le niveau de minorité, la plupart du temps, est le niveau d'intérêt que vous souhaitez prédire et détecter. Cela pourrait être comme détecter une fraude ou la présence d'une maladie ou d'un risque de crédit. |
| |
Et nous voulons prédire l'appartenance à une classe en fonction de variables de régression. |
| |
Donc, pour ce faire, nous avons développé un modèle prédictif qui attribue des probabilités d'appartenance à la classe minoritaire, puis nous avons choisi une valeur seuil qui optimise |
| |
divers critères. Il peut s'agir d'un taux de mauvaise classification, d'un taux de vrais positifs, d'un taux de faux positifs, etc. Et puis nous classons une observation, qui est dans la classe minoritaire, si la probabilité prédite d'appartenance à la classe minoritaire dépasse la valeur seuil choisie. |
| |
Alors comment obtient-on un modèle de classification ? |
| |
Nous avons de nombreuses plates-formes différentes dans JMP qui peuvent faire une prédiction pour une variable binaire, un résultat binaire |
| |
en présence de variables de régression, et nous avons besoin d'un moyen de comparer ces modèles. Eh bien, certaines mesures traditionnelles, comme la précision de la classification, ne sont pas tout à fait appropriées pour les données déséquilibrées. Et juste comme exemple extrême, vous pourriez considérer le cas d'une classe minoritaire de 2%. |
| |
Je pourrais vous donner une précision de 98%, simplement en classant toutes les observations comme des cas majoritaires. Maintenant, ce ne serait pas un modèle utile et vous ne voudriez pas l'utiliser, |
| |
parce que vous ne prédisez pas ... vous ne prédisez correctement aucun de vos cas cibles par rapport aux cas minoritaires, mais juste une précision globale, vous seriez à 98%, ce qui semble plutôt bien. |
| |
Cela a donc conduit les gens à explorer d'autres façons de mesurer la précision de la classification dans un modèle de classification déséquilibré. L'une d'entre elles est la courbe de rappel de précision. |
| |
Ils sont souvent utilisés avec des données déséquilibrées et ils tracent la valeur prédictive positive ou la précision par rapport au véritable rappel du taux positif. |
| |
Et parce que la précision tient compte des instances majoritaires, la courbe PR est plus sensible au déséquilibre de classe qu'une courbe ROC. |
| |
En tant que telle, une courbe PR est mieux à même de mettre en évidence les différences dans les modèles pour les données déséquilibrées. La courbe PR est donc ce qui apparaît en premier dans notre rapport pour notre complément. |
| |
Une autre façon de gérer les données de classification déséquilibrées consiste à utiliser des méthodes d'échantillonnage qui aident à modéliser la classe minoritaire. |
| |
Et en général, ce ne sont que des façons différentes d'imposer plus d'équilibre à la distribution de la réponse, et à leur tour, cela aide à mieux délimiter les frontières entre les observations de la classe majoritaire et minoritaire. Donc, dans notre complément, nous avons sept techniques d'échantillonnage différentes. |
| |
On ne parlera pas trop des quatre premiers et on se concentrera sur les trois derniers, mais très vite, pas de pondération veut dire ce que ça donne. Nous ne ferons rien... n'apporterons aucun changement et c'est |
| |
essentiellement là pour fournir une base de référence à ce que vous feriez si vous ne faisiez aucun type de méthode d'échantillonnage pour tenir compte du déséquilibre. |
| |
La pondération surpondérera les cas minoritaires de sorte que la somme des poids de la classe majoritaire et de la classe minoritaire soit la même. |
| |
Le sous-échantillonnage aléatoire exclura au hasard les cas majoritaires pour arriver à un cas équilibré et le suréchantillonnage aléatoire se répliquera au hasard |
| |
cas minoritaires à nouveau pour arriver à un état d'équilibre. |
| |
Et puis nous parlerons plus en détail des trois prochaines méthodes plus avancées dans les diapositives suivantes. |
| |
Ainsi, la première des méthodes avancées est SMOTE, qui signifie technique de suréchantillonnage de minorité synthétique. |
| |
Et il s'agit essentiellement d'une forme plus sophistiquée de suréchantillonnage, car nous ajoutons plus de cas minoritaires à nos données. |
| |
Nous le faisons en générant de nouvelles observations qui sont similaires aux observations existantes des classes minoritaires, mais nous ne les reproduisons pas simplement comme dans le suréchantillonnage. |
| |
Nous utilisons donc la fonction de distance de Gower et effectuons K voisins les plus proches sur chaque observation de classe minoritaire, puis des observations sont générées pour remplir l'espace défini par ces voisins. |
| |
Et dans ce graphique, vous pouvez voir si nous avons ce cas minoritaire ici en rouge. Nous avons choisi les trois voisins les plus proches. |
| |
Et nous en choisirons un au hasard. Il se trouve que c'est celui-ci ici, puis nous générons un cas, un autre cas minoritaire qui se trouve quelque part dans cette petite case ombragée. Et c'est en deux dimensions. Si tu avais |
| |
n dimensions de vos prédicteurs, alors cette zone ombrée serait un espace à n dimensions. |
| |
Mais une chose clé à souligner est que vous pouvez choisir le nombre de voisins les plus proches que vous |
| |
choisir au hasard entre, et vous pouvez également choisir combien de fois vous effectuerez cela |
| |
cet algorithme par cas minoritaire. |
| |
La méthode d'échantillonnage suivante est celle des liens Tomek. Et ce que fait cette méthode, c'est qu'elle essaie de mieux définir la frontière entre les classes minoritaires et majoritaires. Pour ce faire, il supprime les observations de la classe majoritaire qui sont proches des observations de la classe minoritaire. |
| |
Encore une fois, nous utilisons la distance de Gower pour trouver les liens Tomek et le lien Tomek est une paire de voisins les plus proches qui appartiennent à différentes classes. Donc une majorité et une minorité qui sont les plus proches voisines l'une de l'autre. |
| |
Et pour réduire le chevauchement de ces instances, un ou les deux membres de la paire peuvent être supprimés. Dans l'option principale de notre complément, l'option d'évaluation des modèles, nous supprimons uniquement l'instance majoritaire. Cependant, dans l'option Tomek, vous pouvez utiliser l'une ou l'autre forme de suppression. |
| |
Et enfin, la dernière méthode d'échantillonnage est SMOTE plus Tomek. Ceci combine les deux méthodes d'échantillonnage précédentes. |
| |
Et la façon dont il les combine est qu'il applique cet algorithme de mode pour générer de nouvelles observations minoritaires, puis une fois que vous avez vos données d'origine, plus un tas de nouveaux cas minoritaires générés, |
| |
tt s'applique à l'algorithme de Tomek pour trouver des paires de voisins les plus proches appartenant à des classes différentes. Et dans cette méthode, les deux observations de la paire Tomek sont supprimées. |
| |
Ainsi, le complément de classification déséquilibré comporte quatre options lorsque vous l'installez, qui s'affichent toutes sous la forme d'éléments de sous-menu dans le menu des compléments. |
| |
La première est l'option d'évaluation des modèles, qui vous permet d'ajuster une variété de modèles en utilisant une variété de techniques d'échantillonnage. Les trois suivants ne sont que des dialogues autonomes pour faire ces trois techniques d'échantillonnage dont nous venons de parler. |
| |
Ainsi, dans l'option d'évaluation des modèles du complément, il fournit un rapport de classification déséquilibré qui facilite la comparaison des combinaisons de modèles et de techniques d'échantillonnage. |
| |
Il montre la courbe PR et les courbes ROC, ainsi que les courbes de gains, et pour les courbes PR et ROC, il montre l'aire sous la courbe, qui généralement, plus il y a d'aire sous chacune de ces courbes, mieux un modèle s'adapte . |
| |
Il fournit le tracé des probabilités prédites par classe qui vous aide à obtenir une image de la façon dont chaque modèle est ajusté. |
| |
Et il fournit également une table de données sur les techniques et les seuils, et cette table contient un script qui vous permet de reproduire le rapport |
| |
qui est produit la première fois que vous exécutez le complément. Et nous tenons à souligner que si vous exécutez ceci et que vous souhaitez enregistrer vos résultats sans réécrire l'intégralité |
| |
algorithme de modélisation et de méthodes d'échantillonnage, vous pouvez enregistrer ce tableau des techniques et des seuils et cela vous permettra de sauvegarder vos résultats et de reproduire le rapport. |
| |
Nous allons maintenant examiner la boîte de dialogue de l'option d'évaluation des modèles. Il vous permet de choisir parmi un certain nombre de modèles et de techniques d'échantillonnage. |
| |
Vous pouvez mettre ce qu'est votre variable de classe binaire et tous vos prédicteurs X, puis |
| |
nous, afin de s'adapter à tous les modèles et et |
| |
les évaluons sur un ensemble de tests, nous divisons au hasard les données en ensembles de validation d'apprentissage et de test. Vous pouvez fournir... vous pouvez définir les proportions qui entreront dans chacun de ces ensembles. |
| |
Il existe une option de graine aléatoire si vous souhaitez reproduire les résultats. Et puis il y a les options SMOTE |
| |
auquel j'ai fait allusion auparavant, où vous pouvez choisir le nombre de voisins les plus proches, à partir duquel vous en sélectionnez un pour être le voisin le plus proche utilisé pour générer un nouveau cas, et la réplication de chaque cas minoritaire est le nombre de fois que vous répétez l'algorithme pour chaque minorité observation. |
| |
Encore une fois, il existe trois autres options d'échantillonnage |
| |
options dans le complément et celles-ci correspondent à Tomek, SMOTE et SMOTE plus Tomek. Dans l'option d'échantillonnage Tomek, il va ajouter deux colonnes à votre table de données qui peuvent être utilisées comme poids pour la prédiction... pour tout modèle prédictif que vous voulez faire. |
| |
La première colonne supprime uniquement le voisin le plus proche majoritaire dans le lien et l'autre supprime les deux membres du lien Tomek, vous avez donc cette option. |
| |
Les observations SMOTE ajouteront des observations synthétiques à votre tableau de données. |
| |
Et il fournira également une colonne source afin que vous puissiez identifier quel |
| |
des observations ont été ajoutées. Et SMOTE plus Tomek ajoutent des observations synthétiques et la colonne de pondération qui supprime les deux membres du lien Tomek. |
| |
Et la colonne de pondération de l'échantillonnage Tomek et SMOTE plus Tomek, |
| |
il s'agit simplement d'une colonne d'indicateur que vous pouvez utiliser comme pondération dans une plate-forme de modélisation JMP. C'est juste un 1 s'il est inclus et un 0 s'il doit être exclu. |
| |
La plupart des trois autres boîtes de dialogue d'options d'échantillonnage se ressemblent fondamentalement. |
| |
Une option qui se trouve sur eux et non sur la boîte de dialogue des options d'évaluation des modèles est d'afficher les tables intermédiaires. Cette option apparaît pour SMOTE et SMOTE plus Tomek. |
| |
Et fondamentalement, cela vous permet de voir les tableaux de données qui ont été utilisés dans la construction des observations SMOTE. En général, vous n'avez pas besoin de le voir, mais si vous voulez mieux comprendre comment ces observations sont générées, vous pouvez jeter un œil à ces tableaux intermédiaires. |
| |
Et ils sont tous expliqués dans la documentation. |
| |
Encore une fois, vous pouvez obtenir le complément via la communauté, |
| |
à travers cette page pour cette conférence sur le Discovery Summit Americas 2020 |
| |
partie de la Communauté. Et comme je l'ai mentionné il y a juste une seconde, il y a de la documentation disponible dans le complément. Cliquez simplement sur le bouton Aide. |
| |
Et maintenant, il est temps pour Colleen de montrer un exemple dans une démo du complément. |
| Colleen Mc Endry |
Merci Michel. Je vais faire une démonstration de l'ajout maintenant, et pour faire la démonstration, je vais utiliser ces données de démonstration de mammographie. |
| |
Ainsi, l'ensemble de données de mammographie est basé sur un ensemble de mammographies sur film numérisées utilisées dans une étude des microcalcifications dans les images mammographiques. |
| |
Et dans ces données, chaque enregistrement est classé comme un 1 ou un 0. 1 représente qu'il y a une calcification visible dans l'image, et un 0 représente qu'il n'y en a pas. |
| |
Dans cet ensemble de données, les images où vous voyez la calcification, ce sont celles que vous souhaitez prédire et donc le niveau de classe un est le niveau de classe qui vous intéresse. |
| |
Dans l'ensemble de données complet, il y a six prédicteurs continus et environ 11 000 observations. |
| |
Mais afin de réduire le temps d'exécution dans cette démo, nous n'utiliserons qu'un sous-ensemble de l'ensemble de données complet. Et donc ça va être environ la moitié des observations. Soit environ 5500 observations. |
| |
Et les observations qui sont classées comme 1, les choses qui vous intéressent, elles représentent environ 2,31 % du total des observations, à la fois dans l'ensemble de données complet et dans l'ensemble de données de démonstration que nous utilisons. Nous avons donc une proportion minoritaire d'environ 2 %. |
| |
Et maintenant je vais passer à JMP |
| |
à |
| |
J'ai donc les données de démonstration de la mammographie. |
| |
Et nous allons ouvrir et j'ai déjà installé le complément. J'ai donc ajouté la classification déséquilibrée dans mon menu déroulant et je vais utiliser l'option d'évaluation des modèles. |
| |
Et donc là on a la fenêtre de lancement, et on va préciser la variable de classe binaire, vos variables prédictives, on va sélectionner tous les modèles et toutes les techniques et on va préciser |
| |
une graine au hasard. |
| |
Et cliquez sur OK. |
| |
Et donc pendant que cela tourne, je vais vous expliquer ce qui se passe réellement en arrière-plan. Ainsi, la première chose que fait le complément est qu'il divise la table de données en un ensemble de données d'apprentissage et un ensemble de données de test. |
| |
Et donc vous avez deux tables de données distinctes, puis dans la table de données de formation, ces observations sont ensuite divisées en observations de formation et de validation et la validation est utilisée dans l'ajustement du modèle. |
| |
Et donc une fois que vous avez ces deux ensembles de données, |
| |
il y a des variables indicatrices... des colonnes indicatrices qui sont ajoutées au tableau de données d'apprentissage pour chacune des techniques d'échantillonnage que vous spécifiez, à l'exception de celles qui impliquent SMOTE. |
| |
Et donc ces colonnes sont ajoutées et sont utilisées comme colonnes de pondération et elles précisent simplement si l'observation doit être incluse dans l'analyse ou non. |
| |
Si vous spécifiez une technique d'échantillonnage avec SMOTE, des lignes supplémentaires sont ajoutées à la table de données. Ce sont les observations générées. |
| |
Ainsi, une fois vos colonnes et vos lignes générées, pour chaque modèle, chaque modèle est adapté à chaque technique d'échantillonnage. Et donc si vous les sélectionnez tous |
| |
comme nous venons de le faire ici, il y a un total de 42 modèles différents qui sont adaptés. Et donc, c'est tout ce qui se passe en ce moment. Dans |
| |
la démo actuelle, nous avons 42 modèles en cours d'ajustement et une fois les modèles ajustés, les informations pertinentes sont rassemblées et rassemblées dans un rapport de résultats. Et ce rapport, |
| |
qui, espérons-le, apparaîtra bientôt, le voici, ce rapport est affiché ici. Et vous obtenez également un tableau des techniques et des seuils et un tableau récapitulatif. |
| |
Nous allons donc examiner ce que vous obtenez lorsque vous exécutez le complément. Nous avons donc d'abord l'ensemble de formation. Et vous pouvez voir que voici les colonnes de pondération, les colonnes de poids qui sont ajoutées. Et ce sont les colonnes qui sont ajoutées pour les probabilités prédites pour ces observations. |
| |
Ensuite, nous avons l'ensemble de test. Celui-ci ne contient aucune de ces colonnes de pondération, mais il contient les probabilités prédites pour les observations de l'ensemble de test. |
| |
Nous avons le rapport des résultats |
| |
et le tableau de données sur les techniques et les seuils. Et donc Michael l'a mentionné dans |
| |
la conversation plus tôt, mais c'est important parce que c'est la chose que vous voudriez sauvegarder si vous voulez sauvegarder vos résultats et revoir vos résultats |
| |
sans avoir à réexécuter tout le script. Et donc cette table de données est ce que vous enregistreriez et elle contient des scripts qui reproduiront |
| |
le rapport des résultats et le tableau récapitulatif, qui est la dernière chose que j'ai à montrer. Et donc cela ne contient que des résumés pour chaque technique d'échantillonnage et combinaison de modèles et leurs valeurs AUC. |
| |
Alors maintenant, pour regarder la fenêtre des résultats réels, en haut, nous avons les spécifications de dialogue. Et donc cela contient les informations que vous avez spécifiées dans la fenêtre de lancement. |
| |
Donc, si vous oubliez quelque chose que vous avez spécifié, comme votre graine aléatoire ou les proportions que vous attribuez, vous pouvez simplement l'ouvrir et y jeter un coup d'œil. |
| |
Et nous avons aussi la distribution de classe binaire. Ainsi, la distribution de la variable de classe à travers la formation et l'ensemble de test. Et ceci est conçu pour que la proportion soit la même, ce qu'ils sont dans ce cas à 2,3. |
| |
Et puis nous avons aussi un seuil manquant. Donc ce n'est pas super important, mais ça donne juste |
| |
une indication de si une valeur de la variable de classe a une valeur de prédiction manquante, alors cela est montré ici. |
| |
Pour les résultats réels, nous avons ces graphiques à onglets. Et nous avons donc les courbes de rappel de précision, les courbes ROC et les courbes de gains cumulatifs. Et pour les courbes PR et les courbes ROC, nous avons également les valeurs AUC correspondantes. |
| |
Nous avons aussi ces graphiques des probabilités prédites par classe. Et ceux-ci sont plus utiles lorsque vous n'en visualisez que quelques-uns à la fois, ce que nous verrons plus tard. |
| |
Et puis nous avons un filtre de données qui relie tous ces graphiques et résultats ensemble. |
| |
Donc, pour nos résultats réels pour l'analyse, nous pouvons jeter un coup d'œil maintenant. Je vais donc d'abord les trier. |
| |
Vous pouvez donc déjà voir que la courbe ROC et la courbe PR, il y a beaucoup plus de différenciation entre les courbes dans la courbe PR qu'il n'y en a dans la courbe ROC. |
| |
Et si nous sélectionnons le top, disons, cinq, ceux-ci ont tous en fait une AUC de 0,97. |
| |
Et vous pouvez voir qu'ils sont tous très proches les uns des autres. Ils sont essentiellement les uns sur les autres. Il serait vraiment difficile de déterminer quel modèle est réellement le meilleur, lequel choisir |
| |
Et c'est là que, en particulier avec des données déséquilibrées, les courbes de rappel de précision sont vraiment importantes. Donc, si nous revenons, nous pouvons voir que ces modèles qui avaient les valeurs AUC les plus élevées pour les courbes ROC, |
| |
ils sont vraiment étalés dans la courbe de rappel de précision. Et ils ne sont en fait pas... ils n'ont pas les valeurs AUC les plus élevées pour la courbe PR. |
| |
Alors peut-être qu'il y a... peut-être qu'il y a un meilleur modèle que nous pouvons choisir. |
| |
Alors maintenant, je vais regarder et me concentrer sur les deux premiers, qui sont l'arborescence boostée Tomek et SVM Tomek, et je vais le faire en utilisant le filtre de données. |
| |
Et puis nous voulons juste regarder ceux qui vont montrer et inclure. |
| |
Nous avons donc maintenant les courbes pour ces deux modèles et la courbe bleue est l'arbre boosté et la courbe rouge est SVM. |
| |
Et vous pouvez donc voir dans ces courbes qu'elles se chevauchent en quelque sorte sur différentes valeurs du taux de vrais positifs. Et donc vous pourriez utiliser ces courbes |
| |
pour choisir le modèle que vous souhaitez utiliser dans votre analyse, en fonction peut-être de ce que serait un taux de vrais positifs acceptable. Nous pouvons donc voir cela si j'ajoute quelques lignes de référence. Excusez mes mains que vous verrez pendant que je tape ceci. |
| |
D'accord, alors dites que ce sont des taux différents de vrais positifs qui pourraient vous intéresser. Donc, si, par exemple, pour n'importe quel ensemble de données dont vous disposez, vous vouliez un vrai taux positif de 0,55. |
| |
Vous pouvez choisir votre seuil pour en faire le vrai taux positif. Et puis dans ce cas, |
| |
pour ce taux de vrais positifs, le modèle d'arbre boosté de Tomek a une plus grande précision. Et donc vous pourriez choisir ce modèle. |
| |
Cependant, si vous vouliez que votre taux de vrais positifs soit quelque chose comme 0,85, alors le modèle SVM pourrait être un meilleur choix car il a une plus grande précision pour ce taux de vrais positifs spécifique. |
| |
Et puis, si vous aviez un taux de vrais positifs plus élevé de 0,95, vous retourneriez à nouveau et vous voudriez peut-être choisir le modèle d'arbre boosté. |
| |
C'est ainsi que vous pouvez utiliser ces courbes pour choisir le modèle le mieux adapté à vos données. |
| |
Et maintenant, nous allons revoir ces graphiques, maintenant qu'il n'y en a plus que quelques-uns. Et cela montre simplement la distribution des probabilités prédites pour chaque classe pour les modèles que nous avons sélectionnés. Donc, dans ce cas particulier, vous pouvez voir que dans SVM, il y a la majorité |
| |
probabilités dans toute la gamme des probabilités prédites, où l'arbre boosté fait en quelque sorte un meilleur travail pour les maintenir à l'extrémité inférieure. |
| |
Et donc c'est tout pour cette démo particulière, mais avant que nous ayons terminé, je voulais juste montrer une chose de plus. Et donc c'était un exemple de la façon dont vous utiliseriez l'évaluation |
| |
choix de modèles. Mais supposons que vous vouliez simplement utiliser une technique d'échantillonnage particulière. Et vous pouvez le faire ici. La fenêtre de lancement est donc sensiblement la même. Et vous pouvez attribuer votre classe binaire, vos prédicteurs et cliquer sur OK. |
| |
Et cela génère une nouvelle table de données et vous avez votre |
| |
colonne d'indication. |
| |
Votre colonne d'indicateur, qui indique simplement si l'observation doit être incluse dans l'analyse ou non. |
| |
Et puis parce que c'était SMOTE plus Tomek, vous avez aussi toutes ces observations générées par SMOTE. |
| |
Alors maintenant, vous avez cette nouvelle table de données et vous pouvez utiliser n'importe quel type de modèle avec n'importe quel type d'options que vous souhaitez et utilisez simplement cette colonne comme colonne de poids ou de fréquence et partez de là. Et c'est la fin de notre démo pour le complément de classification déséquilibré. Merci d'avoir regardé. |
