레벨: 고급
Michael Crotty, @michael_jmp , SAS의 JMP 수석 통계 작가
Colleen McKendry, @cozmck , SAS JMP 기술 작가
Marie Gaudard, @marie_gaudard , 통계 컨설턴트
예측 모델의 목표가 이상 탐지인 경우, 기본 데이터는 종종 불균형 클래스 분포를 보입니다. 즉, 이상 클래스가 비이상 클래스보다 현저히 작습니다. 모델링 목표는 일반적으로 소수 클래스의 구성원을 식별하는 것입니다. 그러나 예측 모델링 기법을 단순하게 적용하면 편향되고 부정확한 모델이 생성될 수 있습니다. 이러한 문제를 해결하기 위해 많은 기법이 제안되었습니다. 본 연구에서는 JMP Pro 사용자가 불균형 데이터에 대한 예측 모델을 개발할 수 있도록 안내합니다. 과소 대표 클래스 분류를 위한 JMP Pro 접근 방식을 살펴봅니다. 먼저 불균형 클래스 문제의 일반적인 측면, 즉 편향, 성능 측정 및 모델링 문제 해결 방법을 설명합니다. 그런 다음 본 연구에서 사용하는 샘플링 방법에 대해 논의합니다. 여기에는 가중치, 과소 표본 추출, 과대 표본 추출, 그리고 합성 소수 과대 표본 추출 기법(SMOTE)이 포함됩니다. 다양한 클래스 비율을 보이는 여러 실제 데이터 세트에 대해, JMP Pro 분류 플랫폼에서 제공되는 예측 모델과 이러한 샘플링 방법을 결합하여 얻은 적합도를 비교합니다. 제한된 범위의 시뮬레이션 데이터 세트를 대상으로 표본 추출 기법과 예측 모델에 대한 유사한 탐색을 수행합니다. 시뮬레이션 데이터 세트에 대해, 표준 모델이 계층 불균형에 의해 영향을 받기 시작하는 과소 대표성의 정도를 파악하고자 합니다. 또한, 표본 추출 기법과 예측 모델의 상대적 성능에 대한 결론을 제시합니다.
이 프레젠테이션에서 설명한 분석을 수행하는 추가 기능인 불균형 분류 추가 기능이 출시되었습니다. 이 추가 기능은 Scripts_and_Results.zip에 있는 스크립트의 기능을 확장합니다. 특히, 이 추가 기능은 R에 의존하지 않고 명목형 및 순서형 예측 변수가 포함된 데이터 세트에 대해 SMOTE, Tomek, 그리고 SMOTE와 Tomek 샘플링을 수행하며, 대화 상자의 도움말 버튼을 통해 자세한 설명을 제공합니다.
