बेनामी डाटा बनाम सिंथेटिक डाटा

एडविन भ्यान उनेनले सिन्थोमा एउटा मौलिक डेटासेट पठाए र हामीले डेटासेटलाई संश्लेषित गर्यौं। तर प्रश्न यो पनि थियो: "यदि हामीले सिंथेटिक डाटालाई बेनामी डाटासँग तुलना गर्ने हो भने के हुन्छ?" तपाईंले गुमनाम डेटामा धेरै जानकारी गुमाउनु भएको हुनाले, के यो डेटासेट संश्लेषण गर्दा पनि हुन्छ? हामीले 56.000 पङ्क्तिहरू र कम्पनी मंथन-सूचनाको 128 स्तम्भहरूको साथ दूरसंचार उद्योगबाट डाटासेटको साथ सुरु गर्यौं। यो डेटासेट संश्लेषित र अज्ञात दुवै थियो त्यसैले एडविनले बेनामीकरणसँग सिंथेटाइजेसन तुलना गर्न सक्छ। त्यसपछि, एडविनले SAS Viya प्रयोग गरेर मोडलिङ गर्न थाले। उनले क्लासिकल रिग्रेसन प्रविधि र निर्णय रूखहरू प्रयोग गरेर मूल डेटासेटमा केही मन्थन मोडेलहरू निर्माण गरे, तर थप परिष्कृत प्रविधिहरू जस्तै न्यूरल नेटवर्कहरू, ग्रेडियन्ट बूस्टिङ, अनियमित वन - यी प्रकारका प्रविधिहरू। मोडेलहरू निर्माण गर्दा मानक SAS Viya विकल्पहरू प्रयोग गर्दै।

त्यसपछि, नतिजा हेर्ने समय भयो। नतिजाहरू सिंथेटिक डेटाको लागि धेरै आशाजनक थिए र गुमनामकरणको लागि होइन। श्रोताहरूमा कुनै पनि मेसिन-लर्निंग विशेषज्ञहरूका लागि, हामी ROC-वक्र अन्तर्गत क्षेत्र हेर्छौं जसले मोडेलको शुद्धताको बारेमा केही बताउँछ। मौलिक डेटालाई बेनामी डेटासँग तुलना गर्दा, हामी देख्छौं कि मौलिक डेटा मोडेलमा .8 को ROC-वक्र अन्तर्गत क्षेत्र छ, जुन धेरै राम्रो छ, यद्यपि, बेनामी डेटाको ROC-वक्र .6 अन्तर्गत क्षेत्र छ। यसको मतलब हामीले गुमनाम मोडेलको साथ धेरै जानकारी गुमाउँछौं त्यसैले तपाईंले धेरै भविष्यवाणी गर्ने शक्ति गुमाउनुहुन्छ।

तर, प्रश्न सिंथेटिक्स डाटाको बारेमा के हो? यहाँ, हामीले ठ्याक्कै त्यस्तै गर्यौं तर डाटा गुमाउनुको सट्टा, सिन्थोले डाटा संश्लेषण गर्‍यो। अब, हामी दुबै मौलिक डेटा र सिंथेटिक डेटाको .8 को ROC-वक्र अन्तर्गत क्षेत्र रहेको देख्छौं, जुन धेरै समान छ। परिवर्तनशीलताको कारण ठ्याक्कै समान छैन, तर धेरै समान। यसको मतलब, सिंथेटिक डाटाको सम्भावना धेरै आशाजनक छ - एडविन यस बारे धेरै खुसी छ।