Évaluation externe de nos données synthétiques par les experts en données de SAS

Nous avons utilisé comme données cibles les données de télécommunications utilisées pour la prévision du « taux de désabonnement ». L'objectif de l'évaluation était d'utiliser des données synthétiques pour former divers modèles de prévision du taux de désabonnement et d'évaluer les performances de chaque modèle. La prédiction du taux de désabonnement étant une tâche de classification, SAS a sélectionné des modèles de classification populaires pour effectuer les prédictions, notamment :

1. Forêt aléatoire
2. Amplification du dégradé
3. Régression logistique
4. Réseau neuronal

Avant de générer les données synthétiques, SAS a divisé de manière aléatoire l'ensemble de données de télécommunications en un ensemble de trains (pour entraîner les modèles) et un ensemble d'attente (pour évaluer les modèles). Le fait de disposer d'un ensemble d'exclusions distinct pour la notation permet une évaluation impartiale de l'efficacité du modèle de classification lorsqu'il est appliqué à de nouvelles données.

En utilisant la rame comme entrée, Syntho a utilisé son moteur Syntho pour générer un ensemble de données synthétiques. À des fins d'analyse comparative, SAS a également créé une version anonymisée de la rame après avoir appliqué diverses techniques d'anonymisation pour atteindre un certain seuil (de k-anonymat). Les premières étapes ont abouti à quatre ensembles de données :

1. Un ensemble de données de train (c'est-à-dire l'ensemble de données d'origine moins l'ensemble de données d'exclusion)
2. Un ensemble de données à retenir (c'est-à-dire un sous-ensemble de l'ensemble de données d'origine)
3. Un ensemble de données anonymisées (données anonymisées de l'ensemble de données du train, ensemble de données d'origine moins l'ensemble de données retenu)
4. Un ensemble de données synthétiques (données synthétisées de l'ensemble de données du train, ensemble de données d'origine moins l'ensemble de données retenu)

Les ensembles de données 1, 3 et 4 ont été utilisés pour entraîner chaque modèle de classification, ce qui a donné 12 (3 x 4) modèles entraînés. SAS a ensuite utilisé l'ensemble de données d'exclusion pour mesurer la précision de chaque modèle dans la prévision du taux de désabonnement des clients.

SAS effectue diverses évaluations approfondies sur l'exactitude des données, la protection de la vie privée et la convivialité des données synthétiques générées par l'IA de Syntho par rapport aux données originales. En conclusion, SAS a évalué et approuvé les données synthétiques de Syntho comme étant exactes, sécurisées et utilisables par rapport aux données originales.