અનામી ડેટા વિ સિન્થેટિક ડેટા

એડવિન વાન યુનેને સિન્થોને મૂળ ડેટાસેટ મોકલ્યો અને અમે ડેટાસેટનું સંશ્લેષણ કર્યું. પરંતુ પ્રશ્ન એ પણ હતો: "જો આપણે સિન્થેટિક ડેટાની અનામી ડેટા સાથે સરખામણી કરીએ તો શું થશે?" કારણ કે તમે અનામી ડેટામાં ઘણી બધી માહિતી ગુમાવો છો, શું ડેટાસેટનું સંશ્લેષણ કરતી વખતે પણ આવું થશે? અમે 56.000 પંક્તિઓ અને કંપની મંથન-માહિતીના 128 કૉલમ સાથે ટેલિકોમ્યુનિકેશન ઉદ્યોગના ડેટાસેટ સાથે શરૂઆત કરી. આ ડેટાસેટ સંશ્લેષિત અને અનામી બંને હતા જેથી એડવિન સિન્થેટાઇઝેશનને અનામીકરણ સાથે સરખાવી શકે. પછી, એડવિને SAS Viya નો ઉપયોગ કરીને મોડેલિંગ કરવાનું શરૂ કર્યું. તેણે મૂળ ડેટાસેટ પર ક્લાસિકલ રીગ્રેસન તકનીકો અને નિર્ણયના વૃક્ષોનો ઉપયોગ કરીને મંથન મોડલના એક દંપતિ બનાવ્યા, પરંતુ ન્યુરલ નેટવર્ક્સ, ગ્રેડિયન્ટ બૂસ્ટિંગ, રેન્ડમ ફોરેસ્ટ - આ પ્રકારની તકનીકો જેવી વધુ અત્યાધુનિક તકનીકો પણ બનાવી. મોડેલો બનાવતી વખતે પ્રમાણભૂત SAS Viya વિકલ્પોનો ઉપયોગ કરવો.

પછી, પરિણામો જોવાનો સમય હતો. પરિણામો સિન્થેટીક ડેટા માટે ખૂબ જ આશાસ્પદ હતા અને અનામીકરણ માટે નહીં. પ્રેક્ષકોમાં બિન-મશીન-લર્નિંગ નિષ્ણાતો માટે, અમે ROC-કર્વ હેઠળના વિસ્તારને જોઈએ છીએ જે મોડેલની ચોકસાઈ વિશે કંઈક કહે છે. અનામી ડેટા સાથે અસલ ડેટાની સરખામણી કરતા, અમે જોઈએ છીએ કે મૂળ ડેટા મોડલ .8 ના ROC-વક્ર હેઠળનો વિસ્તાર ધરાવે છે, જે ખૂબ સારું છે, જો કે, અનામી ડેટા .6 ના ROC-વક્ર હેઠળનો વિસ્તાર ધરાવે છે. આનો અર્થ એ છે કે અમે અનામી મોડેલ સાથે ઘણી બધી માહિતી ગુમાવીએ છીએ જેથી તમે ઘણી આગાહી શક્તિ ગુમાવી દો.

પરંતુ પછી, પ્રશ્ન એ છે કે સિન્થેટીક્સ ડેટા વિશે શું? અહીં, અમે બરાબર એ જ કર્યું પરંતુ ડેટાને અનામી રાખવાને બદલે, સિન્થોએ ડેટાનું સંશ્લેષણ કર્યું. હવે, આપણે જોઈએ છીએ કે મૂળ ડેટા અને સિન્થેટીક ડેટા બંનેમાં .8 ના ROC-વક્ર હેઠળનો વિસ્તાર છે, જે ખૂબ સમાન છે. પરિવર્તનશીલતાને કારણે બરાબર એકસરખું નથી, પરંતુ ખૂબ સમાન છે. આનો અર્થ એ છે કે, કૃત્રિમ ડેટાની સંભાવના ખૂબ જ આશાસ્પદ છે - એડવિન આ વિશે ખૂબ જ ખુશ છે.