資料有效性診斷

檢查合成資料是否準確反映原始資料的基本特性和結構。

使用範例

請點擊下方按鈕在 Colab 中執行範例：

Splitter:
  external_split:
    method: custom_data
    filepath:
      ori: benchmark://adult-income_ori
      control: benchmark://adult-income_control
    schema:
      ori: benchmark://adult-income_schema
      control: benchmark://adult-income_schema
Synthesizer:
  external_data:
    method: custom_data
    filepath: benchmark://adult-income_syn
    schema: benchmark://adult-income_schema
Evaluator:
  validity_check:
    method: sdmetrics-diagnosticreport

主要參數

• method (string, 必要參數)
  • 固定值：sdmetrics-diagnosticreport

評估指標

指標計算說明

Data Validity（資料有效性）

各欄位有效性分數的算術平均，依欄位特性計算：

• KeyUniqueness：主鍵欄位的每筆資料是否獨一無二
• BoundaryAdherence：數值或日期欄位是否在原始資料的上下界內
• CategoryAdherence：類別或布林欄位的基數是否屬於原始資料的基數集合

Data Structure（資料結構）

檢查合成資料的欄位名稱與原始資料是否相同。

適用情境

• 完成資料合成後的首要檢查項目
• 確認合成過程沒有破壞資料結構
• 驗證資料的基本有效性

分數說明與處置

理想狀況

• 診斷分數應接近 100%
• 高分表示合成資料成功保留了原始資料的關鍵特性

診斷分數未達 1.0 的可能原因

Data Validity（資料有效性）未達 1.0

常見問題：

• 通常問題出在數值欄位上
• 合成後欄位數值的範圍超過原始範圍

處置建議：

• 可視具體資料情境決定是否接受
• 範例：日期欄位
  • 原始資料可能截取到報表日
  • 如果合成資料預測了未來事件，需評估是否合理
  • 並非所有超出範圍的情況都需要否決

Data Structure（資料結構）未達 1.0

常見問題：

• 合成後的欄位數量減少
• 通常表示前處理流程有誤

處置建議：

• 檢查前處理步驟
• 特別注意直接識別欄位的處理：
  • 如果移除直接識別欄位後才訓練合成資料
  • 應該比較「移除直接識別欄位版本」的原始資料
  • 而非比較資料庫版本的原始資料
• 如果是外部合成資料，給定統一的表詮釋資料