合成データの品質

ケーススタディについては、 ターゲットデータセットはテレコムでした データセット。 データセットには 128 列が含まれており、そのうちの XNUMX 列は、顧客が会社を辞めた (つまり、「解約」した) かどうかを示します。 このケーススタディの目標は、合成データを使用していくつかのモデルをトレーニングし、顧客離れを予測し、各モデルのパフォーマンスを評価することでした。 チャーン予測は分類タスクであるため、SAS は予測を行うために次の XNUMX つの一般的な分類モデルを選択しました。

1. ランダムフォレスト
2. 勾配ブースティング
3. ロジスティック回帰
4. ニューラルネットワーク

合成データを生成する前に、SASはテレコムデータセットをトレインセット（モデルのトレーニング用）とホールドアウトセット（モデルのスコアリング用）にランダムに分割します。 スコアリング用に個別のホールドアウトセットを設定すると、新しいデータに適用したときに分類モデルがどの程度うまくいくかを公平に評価できます。

列車セットを入力として使用し、 SynthoはSynthoEngineを使用して合成データセットを生成しました。 ベンチマークのために、SASは、さまざまな匿名化手法を適用して特定のしきい値（k-匿名性）に到達した後、列車セットの匿名化バージョンも作成しました。 前の手順では、次のXNUMXつのデータセットが作成されました。

1. トレインデータセット（つまり、元のデータセットからホールドアウトデータセットを引いたもの）
2. ホールドアウトデータセット（つまり、元のデータセットのサブセット）
3. 匿名化されたデータセット（元のデータセットからホールドアウトデータセットを差し引いたものに基づく）
4. 合成データセット（元のデータセットからホールドアウトデータセットを差し引いたものに基づく）

データセット1、3、および4を使用して各分類モデルをトレーニングし、12（3 x 4）のトレーニング済みモデルを作成しました。 その後、SASはホールドアウトデータセットを使用して、各モデルが顧客離れを予測する精度を測定しました。 結果は、いくつかの基本的な統計から始めて、以下に示されています。