等級：中級
職位職能：分析師/科學家/工程師
Michael Crotty，SAS JMP 資深統計撰稿人
Marie Gaudard，統計顧問
Colleen McKendry，SAS JMP 技術作家
最佳受邀論文入圍
在異常檢測是預測模型的目標的情況下，基礎資料通常會表現出不平衡的類別分佈。即，異常類別明顯小於非異常類別。建模目標通常是識別少數群體的成員。然而，直接應用預測建模技術可能會導致模型偏差且不準確。已經提出了許多技術來解決這些問題。我們力求指導 JMP Pro 使用者開發不平衡資料的預測模型。我們採用 JMP Pro 方法對代表性不足的類別進行分類。我們首先描述不平衡類別問題的一般面向：偏差、效能衡量和解決建模問題的方法。然後我們討論研究中使用的採樣方法；這些包括加權、欠採樣、過採樣和合成少數過採樣技術（SMOTE）。對於幾個表現出不同類別比例的真實資料集，我們將這些取樣方法與 JMP Pro 分類平台中可用的預測模型結合所使用的擬合結果進行比較。我們對有限範圍的模擬資料集進行了類似的採樣技術和預測模型探索。對於模擬資料集，我們嘗試確定標準模型開始受到類別不平衡影響的代表性不足的程度。我們也提出了關於採樣方法和預測模型的相對性能的結論。
現在可以使用執行本簡報中討論的分析的外掛程式： 不平衡分類外掛程式。此外掛程式擴展了 Scripts_and_Results.zip 中腳本的功能。除其他功能外，該插件不依賴 R，它對包含名義和序數預測變數的資料集執行 SMOTE、Tomek 和 SMOTE 加 Tomek 採樣，並透過對話方塊的幫助按鈕提供大量文件。
