このウィッシュ リスト リクエストのきっかけは何ですか?
現在、外れ値検出手法はさまざまなメニューで利用できます。
- いくつかの単変量および多変量外れ値検出手法は、「スクリーニング」->「外れ値の調査」で利用できます。
- いくつかの多変量手法は、"Multivariate Methods" -> "Multivariate" で利用でき、スクリーニング プラットフォームの他の検出手法とは異なります。
最後に、文献で使用されている一部の手法やモデル (Isolation Tree/Forest、One-Class SVM、k-Nearest Neigbors...) は、JMP では直接利用できません。
あなたが見たいと思う改善は何ですか？
Python ライブラリ pyOD ( pyod 1.0.7 ドキュメント）および他のライブラリ/パッケージを使用する場合、いくつかのオプションが利用可能な「モデルスクリーニング」プラットフォームのように、いくつかの方法を組み合わせて使用して、外れ値検出専用のJMPメニューを1つだけ持つと便利です。
- 応答がデータセットに存在し、「Y、列」ダイアログで使用される場合、使用される強調と手法は監視されます (半または完全に監視されます)。 「Y、列」ダイアログ メニューに応答が追加されない場合、使用される手法は監視されていない可能性があります。
- 「Model Screening」プラットフォームが自動 ML 方式でいくつかのモデルを提案しているように、JMP ユーザーが提案された方法の中からすべて、いくつか、または 1 つだけを選択できるとよいでしょう。 ユーザーがさまざまな手法をよりよく理解できるようにするために、グループの背後にいくつかの手法をグループ化すると役立つ可能性があります。たとえば、異常のタイプについては、ローカル、グローバル、依存関係、およびクラスター化されたタイプの異常についてメソッドのいくつかのグループが存在する可能性があります。 . 各グループの下で、ユーザーは任意のテクニックを選択または選択解除して、自由度と柔軟性を高めることができます。
- 最後に、さまざまな外れ値検出手法を使用する場合、「マクロ」ビューと「ミクロ」ビューで結果が得られると便利です。
- 「ミクロ」ビュー : 検出手法ごとに、外れ値として検出されたポイントを知ることができるため、手法を比較して手法間の一致/不一致を確認できます。
- 「マクロ」ビュー : 検出手法のアンサンブルについては、「ハード ボーティング」または異常値と正常値のようなバイナリ結果の代わりに、さまざまなモデルのアンサンブルからの連続した「異常スコア」(0:選択したすべての手法で外れ値として検出されない: 常に外れ値として検出される)、他のモデリング プラットフォームで変換された方法 (おそらく「逆数」変換: 1/異常スコア) で「頻度」として使用するため「重み」変数。外れ値を考慮して重要度を下げる「加重モデル」を作成します。
なぜこの考え方が重要なのですか？
このリクエストの動機は次の 2 点です。
- 単一のプラットフォームでさまざまな外れ値検出手法を統合およびグループ化することで、提案されているさまざまな手法をユーザーが認識するのに役立ちます。
- この外れ値検出の側面に焦点を当てた新しいモデルを JMP プラットフォームに追加することは、優れた出発点になる可能性があります。
