匿名化されたデータと合成データ

Edwin van Unenが元のデータセットをSynthoに送信し、データセットを合成しました。 しかし、質問は「合成データを匿名化されたデータと比較するとどうなるか」ということでもありました。 匿名化されたデータでは多くの情報が失われるため、これはデータセットを合成するときにも発生しますか？ まず、56.000行128列の企業チャーン情報を含む電気通信業界のデータセットから始めました。 このデータセットは、Edwinが合成と匿名化を比較できるように、合成と匿名化の両方が行われました。 その後、エドウィンはSASViyaを使用してモデリングを開始しました。 彼は、古典的な回帰手法と決定木を使用して、元のデータセットにいくつかのチャーンモデルを構築しましたが、ニューラルネットワーク、勾配ブースティング、ランダムフォレストなどのより高度な手法も使用しました。これらの種類の手法です。 モデルを構築するときに標準のSASViyaオプションを使用します。

次に、結果を確認します。 結果は、匿名化ではなく、合成データにとって非常に有望でした。 聴衆の機械学習を行わない専門家のために、モデルの精度について何かを伝えるROC曲線の下の領域を調べます。 元のデータを匿名化されたデータと比較すると、元のデータモデルのROC曲線の下の領域は8であり、かなり良好ですが、匿名化されたデータのROC曲線の下の領域は6です。 これは、匿名化されたモデルでは多くの情報が失われるため、多くの予測力が失われることを意味します。

しかし、問題は、合成データについてはどうでしょうか。 ここでは、まったく同じことを行いましたが、データを匿名化する代わりに、Synthoがデータを合成しました。 これで、元のデータと合成データの両方で、ROC曲線の下に8の領域があります。これは非常によく似ています。 変動性のために完全に同じではありませんが、非常に似ています。 つまり、合成データの可能性は非常に有望です。エドウィンはこれに非常に満足しています。