Syntho ၏ အရည်အသွေးအာမခံချက်အစီရင်ခံစာသည် ထုတ်လုပ်ထားသော ပေါင်းစပ်ဒေတာကို အကဲဖြတ်ပြီး မူရင်းဒေတာနှင့် နှိုင်းယှဉ်ပါက ပေါင်းစပ်ဒေတာ၏ တိကျမှု၊ ကိုယ်ရေးကိုယ်တာနှင့် မြန်နှုန်းတို့ကို ပြသသည်။
Syntho တွင်၊ ကျွန်ုပ်တို့သည် ယုံကြည်စိတ်ချရပြီး တိကျသော ပေါင်းစပ်အချက်အလက်များ၏ အရေးကြီးပုံကို နားလည်ပါသည်။ ထို့ကြောင့် ကျွန်ုပ်တို့သည် ပေါင်းစပ်ဒေတာလည်ပတ်မှုတိုင်းအတွက် ပြီးပြည့်စုံသော အရည်အသွေးအာမခံချက်အစီရင်ခံစာကို ပေးပါသည်။ ကျွန်ုပ်တို့၏ အရည်အသွေးအစီရင်ခံစာတွင် ဖြန့်ဝေမှုများ၊ ဆက်စပ်မှုများ၊ အမျိုးမျိုးကွဲပြားသော ဖြန့်ဝေမှုများ၊ ကိုယ်ရေးကိုယ်တာ တိုင်းတာမှုများနှင့် အခြားအရာများကဲ့သို့သော မက်ထရစ်အမျိုးမျိုး ပါဝင်ပါသည်။ ဤနည်းဖြင့်၊ ကျွန်ုပ်တို့ပေးဆောင်သော ပေါင်းစပ်ဒေတာသည် အရည်အသွေးအမြင့်ဆုံးဖြစ်ပြီး သင်၏မူရင်းဒေတာကဲ့သို့ တိကျမှုနှင့် ယုံကြည်စိတ်ချရမှုအဆင့်တူဖြင့် အသုံးပြုနိုင်ကြောင်း အလွယ်တကူ အကဲဖြတ်နိုင်ပါသည်။
တစေ့တစောင်းရိုက်ကူးခြင်း- ဤကဏ္ဍသည် ကျွန်ုပ်တို့၏ပေါင်းစပ်ဒေတာအရည်အသွေးအစီရင်ခံစာမှ မီးမောင်းထိုးပြမှုများကို သရုပ်ဖော်ထားသည်။ ကျွန်ုပ်တို့၏ အကဲဖြတ်ချက်များသည် အတိုင်းအတာအမျိုးမျိုးရှိ ဒေတာအစစ်အမှန်များနှင့် ပေါင်းစပ်ထားသော ပေါင်းစပ်ဒေတာကို ဆန်းစစ်သည်။
အစစ်အမှန်ဒေတာနှင့် နှိုင်းယှဉ်ရာတွင် Synthetic Data Multivariate Distributions
Multivariate distributions နှင့် multivariate ဆက်စပ်ဆက်နွယ်မှုများသည် ကျွန်ုပ်တို့အား အနည်းကိန်းအတိုင်းအတာများထက် ကျော်လွန်ပြီး ကိန်းရှင်များစွာ ဆက်စပ်နေပုံကို ကျယ်ကျယ်ပြန့်ပြန့်ကြည့်ရှုပေးပါသည်။ Syntho Engine သည် ဤဆက်ဆံရေးများကို ဖမ်းယူသည်။
Synthetic data generated သည် ရှုပ်ထွေးပြီး ချို့ယွင်းချက်များ ရှိနေသဖြင့် ထိန်းချုပ်ရန် လိုအပ်ပါသည်။ AI အယ်လဂိုရီသမ်များဖြင့်၊ အံဝင်ခွင်ကျဖြစ်မှုသည် အန္တရာယ်တစ်ခုဖြစ်ပြီး ၎င်းသည် AI ဖြင့် ပေါင်းစပ်ဒေတာထုတ်လုပ်ခြင်းအတွက် ကိစ္စဖြစ်သည်။ ထို့ကြောင့်၊ synthetic data များကိုထုတ်ပေးသည့်အခါ overfitting ဖြစ်နိုင်ခြေကိုထိန်းချုပ်သင့်သည်။ အံဝင်ခွင်ကျဖြစ်နိုင်ခြေကို Syntho အင်ဂျင်တွင် ထိန်းချုပ်ထားသည်။ ၎င်းအပြင်၊ Syntho Quality Assurance (QA) အစီရင်ခံစာသည် အဖွဲ့အစည်းများ၏ မူရင်းဒေတာနှင့် မကိုက်ညီသော ပေါင်းစပ်ဒေတာများကို သရုပ်ပြခွင့်ပြုသည်။ ဌာနတွင်းစာရင်းစစ်များ မကြာခဏအသုံးပြုလေ့ရှိသည့် နောက်ထပ်ကိုယ်ရေးကိုယ်တာဆိုင်ရာ ကဏ္ဍကိုလည်း ကျွန်ုပ်တို့အကဲဖြတ်ပါသည်။
တူညီသော ကိုက်ညီမှုအချိုး (IMR) ဖြင့် "အတိအကျ ကိုက်ညီမှုများ" ကို စမ်းသပ်ပါ
မူလဒေတာမှ အစစ်အမှန် မှတ်တမ်းနှင့် ကိုက်ညီသော ပေါင်းစပ်ဒေတာ မှတ်တမ်းများ၏ အချိုးသည် ရထားဒေတာကို ခွဲခြမ်းစိတ်ဖြာရာတွင် မျှော်လင့်နိုင်သည့် အချိုးထက် သိသိသာသာ မကြီးကြောင်း သရုပ်ပြခြင်း။
စမ်းသပ်ပါ။ "အလားတူပွဲများ" အနီးကပ်ဆုံးစံချိန် (DCR) ဖြင့်
ပေါင်းစပ်ဒေတာမှတ်တမ်းအတွက် မူရင်းဒေတာအတွင်း ၎င်းတို့၏အနီးဆုံးအမှန်တကယ်မှတ်တမ်းသို့ ပေါင်းစပ်ထားသော ပုံမှန်အကွာအဝေးသည် ရထားဒေတာကို ခွဲခြမ်းစိတ်ဖြာသောအခါ မျှော်လင့်နိုင်သည့်အကွာအဝေးထက် သိသိသာသာနီးကပ်မှုမရှိကြောင်း သရုပ်ပြခြင်း။
စမ်းသပ်ပါ။ "Outliers" နှင့်အတူ အနီးဆုံး Neighbor Distance Ratio (NNDR)
မူလဒေတာအတွင်း အနီးဆုံးနှင့် ဒုတိယအနီးဆုံး ပေါင်းစပ်မှတ်တမ်းကြား အကွာအဝေးအချိုးသည် ရထားဒေတာအတွက် မျှော်လင့်ထားသည့် အချိုးထက် သိသိသာသာ နီးကပ်မှုမရှိကြောင်း သရုပ်ပြခြင်း။
ဤသည်မှာ ကျွန်ုပ်တို့၏ ပေါင်းစပ်ဒေတာ အရည်အသွေး ရှာဖွေရေးနှင့် အရည်အသွေးအာမခံချက်အစီရင်ခံစာ၏ အနှစ်သာရကို အကျဉ်းချုပ်ဖော်ပြသည့် လျှပ်တစ်ပြက်မျှသာဖြစ်သည်။ ၎င်းသည် Syntho Engine ၏အဆင့်မြင့်လုပ်ဆောင်နိုင်မှုများမှဖမ်းယူထားသည့်ပေါင်းစပ်အချက်အလက်များ၏တစ်စိတ်တစ်ပိုင်းအနေဖြင့်ဖြန့်ဝေမှုများ၊ ဆက်စပ်မှုများနှင့် multivariate ဖြန့်ဝေမှုများကိုနားလည်သဘောပေါက်စေသည်။ ကျွန်ုပ်တို့၏ အရည်အသွေးအာမခံချက် အစီရင်ခံစာပါ အသေးစိတ်အချက်အလက်များကို တောင်းဆိုမှုအရ ရနိုင်ပါသည်။