Read more
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 gie¿dowej, wykrywania w¿amä, marketingu, czujników sieciowych. Wi¿kszo¿¿ istniej¿cych badä koncentruje si¿ na numerycznych zbiorach danych, które nie maj¿ bezpo¿redniego zastosowania w przypadku kategorycznych zbiorów danych, gdzie uporz¿dkowanie danych i obliczenie odleg¿o¿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 wykrywä warto¿ci odstaj¿ce w kategorycznych lub numerycznych zbiorach danych poprzez per
About the author
In de eerste plaats ben ik God dankbaar voor zijn zegeningen en het wijzen van de juiste richting. Met zijn genade, is het mogelijk gemaakt voor mij om zo ver te komen.IK BEN EEN ASSISTENT-PROFESSOR AAN DE SHRI GURU TEG BAHADUR KHALSA COLLEGE VOOR MEISJES AAKAR.
