Navneet Kaur

Wykrywanie warto?ci odstaj?cych z wykorzystaniem nowego podej?cia hybrydowego Navneet Kaur

Eksploracja danych jest procesem wydobywania ukrytych i u?ytecznych informacji z danych. Wykrywanie warto?ci odstaj?cych jest fundamentaln? cz??ci? eksploracji danych i w ostatnim czasie cieszy si? ogromnym zainteresowaniem ?rodowiska naukowego. Wynik odstaj?cy to obiekt danych, który odbiega od innych obserwacji. Wykrywanie warto?ci odstaj?cych ma istotne zastosowanie w czyszczeniu danych, jak równie? w eksploracji punktów odbiegaj?cych od normy w celu wykrywania oszustw, analizy gieldowej, wykrywania wlama?, marketingu, czujników sieciowych. Wi?kszo?c istniej?cych bada? koncentruje si? na numerycznych zbiorach danych, które nie maj? bezpo?redniego zastosowania w przypadku kategorycznych zbiorów danych, gdzie uporz?dkowanie danych i obliczenie odleglo?ci pomi?dzy punktami danych nie ma wi?kszego sensu. Ponadto, wiele z obecnych metod wykrywania warto?ci odstaj?cych wymaga czasu kwadratowego w odniesieniu do rozmiaru zbioru danych i zwykle wymaga wielokrotnego skanowania danych; cechy te s? niepo??dane, gdy zbiory danych s? du?e. W niniejszej pracy skoncentrowano si? i oceniono eksperymentalnie metod? wykrywania warto?ci odstaj?cych, która jest ukierunkowana na zbiory kategoryczne. Ponadto, jest to prosty, skalowalny i wydajny algorytm wykrywania warto?ci odstaj?cych, który ma t? zalet?, ?e pozwala wykrywac warto?ci odstaj?ce w kategorycznych lub numerycznych zbiorach danych poprzez per