레벨: 중급
직무 기능: 분석가 / 과학자 / 엔지니어
Michael Crotty, JMP 수석 통계 작가, SAS
Marie Gaudard, 통계 컨설턴트
Colleen McKendry, JMP 기술 작가, SAS
최우수 초대 논문 최종 후보
이상 탐지가 예측 모델의 목표인 상황에서 기본 데이터는 종종 불균형 클래스 분포를 보입니다. 즉, 이상 클래스는 비이상 클래스보다 상당히 작습니다. 모델링 목표는 일반적으로 소수 클래스의 멤버를 식별하는 것입니다. 그러나 예측 모델링 기술을 직접 적용하면 편향되고 부정확한 모델이 생성될 수 있습니다. 이러한 문제를 해결하기 위해 많은 기술이 제안되었습니다. JMP Pro 사용자가 불균형 데이터에 대한 예측 모델을 개발하도록 안내하고자 합니다. JMP Pro에서 과소 표현된 클래스로 분류하는 방법을 다룹니다. 먼저 불균형 클래스 문제의 일반적인 측면인 편향, 성능 측정 및 모델링 문제를 해결하는 방법을 설명합니다. 그런 다음 연구에서 사용하는 샘플링 방법을 논의합니다. 여기에는 가중치, 과소 샘플링, 과다 샘플링 및 합성 소수 과다 샘플링 기술(SMOTE)이 포함됩니다. 클래스 비율이 다양한 여러 실제 데이터 세트의 경우 JMP Pro 분류 플랫폼에서 사용할 수 있는 예측 모델과 함께 이러한 샘플링 방법을 사용하여 얻은 적합도를 비교합니다. 우리는 제한된 범위의 시뮬레이션 데이터 세트에 대해 유사한 샘플링 기법과 예측 모델 탐색을 수행합니다. 시뮬레이션 데이터 세트에 대해 우리는 표준 모델이 계층 불균형의 영향을 받기 시작하는 과소 표현의 정도를 파악하려고 시도합니다. 또한 샘플링 방법과 예측 모델의 상대적 성능에 대한 결론을 제시합니다.
이 프레젠테이션에서 논의된 분석을 수행하는 애드인을 지금 사용할 수 있습니다: 불균형 분류 추가 기능 . 이 애드인은 Scripts_and_Results.zip에서 찾을 수 있는 스크립트의 기능을 확장합니다. 다른 기능들 중에서도 이 애드인은 R에 의존하지 않고, 명목 및 순서 예측 변수가 포함된 데이터 세트에서 SMOTE, Tomek, SMOTE와 Tomek 샘플링을 수행하고, 대화 상자의 도움말 버튼을 통해 광범위한 설명서를 제공합니다.
