Anonimigitaj datumoj kontraŭ Sintezaj datumoj

Edwin van Unen sendis originalan datumaron al Syntho kaj ni sintezis la datumaron. Sed la demando ankaŭ estis: "Kio okazos se ni komparos sintezajn datumojn kun anonimigitaj datumoj?" Ĉar vi perdas multajn informojn en anonimigita datumo, ĉu tio ankaŭ okazos dum sintezado de datumaro? Ni komencis kun datumaro de la telekomunika industrio kun 56.000 vicoj kaj 128 kolumnoj de kompanio pri foriro-informo. Ĉi tiu datumaro estis kaj sintezita kaj anonimigita tiel Edvino povis kompari sintezon kun anonimigo. Tiam, Edvino komencis modeligi uzante SAS Viya. Li konstruis kelkajn churn modelojn sur la origina datumaro, uzante klasikajn regresajn teknikojn kaj decidarbojn, sed ankaŭ pli sofistikajn teknikojn kiel ekzemple neŭralaj retoj, gradienta akcelo, hazarda arbaro - ĉi tiuj specoj de teknikoj. Uzante la normajn SAS Viya-opciojn dum konstruado de la modeloj.

Tiam, estis tempo rigardi la rezultojn. La rezultoj estis tre promesplenaj por sintezaj datumoj kaj ne por anonimigo. Por la ne-maŝinlernantaj fakuloj en la spektantaro, ni rigardas la areon sub la ROC-kurbo, kiu rakontas ion pri la precizeco de la modelo. Komparante la originalajn datumojn al la anonimigitaj datumoj, ni vidas, ke la originala datummodelo havas areon sub la ROC-kurbo de .8, kio estas sufiĉe bona, Tamen, la anonimigitaj datumoj havas areon sub la ROC-kurbo de .6. Ĉi tio signifas, ke ni perdas multajn informojn kun la anonimigita modelo, do vi perdas multe da prognoza potenco.

Sed tiam, la demando estas kio pri sintezaj datumoj? Ĉi tie, ni faris ĝuste la samon sed anstataŭ anonimigi la datumojn, Syntho sintezis la datumojn. Nun ni vidas, ke ambaŭ la originaj datumoj kaj la sintezaj datumoj havas areon sub la ROC-kurbo de .8, kiu estas tre simila. Ne ĝuste la sama pro ŝanĝebleco, sed tre simila. Ĉi tio signifas, ke la potencialo de sintezaj datumoj estas tre promesplena - Edwin estas tre feliĉa pri tio.