An Adaptive Outlier Detection For Scatter Points Of Unascertained Models

Davinna Jeremiah, Davinna Jeremiah (2016) An Adaptive Outlier Detection For Scatter Points Of Unascertained Models. PhD thesis, Universiti Sains Malaysia.

[img]
Preview
PDF
Download (211Kb) | Preview

    Abstract

    Pengesanan titik terpencil adalah proses pengenalpastian corak luar biasa dalam data. Kajian ini memperkenalkan satu kaedah baru untuk mengesan titik terpencil yang terdapat dalam data serakan multivariat yang mana titik terpencil adalah terdiri daripada titik-titik yang berada jauh daripada majoriti titik. Antara cabaran dalam pengesanan titik terpencil adalah kesukaran untuk menentukan taburan bagi memodelkan suatu data serakan. Ini disebabkan oleh ciri-ciri tertentu yang sememangnya telah wujud dalam data itu sendiri, misalnya kepencongan dan kurtosis. Disebabkan ciri-ciri ini, adalah agak mustahil untuk menentukan dengan betul model taburan tanpa sebarang pengetahuan sedia ada ataupun input pengguna. Keadaan ini bertambah teruk apabila data adalah multivariat yang mana akan menyebabkan titik serakan tidak dapat diteliti secara visual. Outlier detection is the identification of unusual patterns in data. This research presents a new method of detecting outliers found in multivariate scatter data, where outliers are those points that lie far away from the majority of points. One of the challenges in outlier detection is the difficulty of determining the distribution to model a scatter data. This is due to the data’s certain inherent characteristics, for example, its skewness and kurtosis. Owing to these characteristics, it is therefore quite impossible for the right distribution model to be determined without any prior knowledge or user input. This problem aggravates when data are multivariate, where the scatter of data points cannot be visually inspected.

    Item Type: Thesis (PhD)
    Subjects: Q Science > QA Mathematics > QA1 Mathematics (General)
    Divisions: Pusat Pengajian Sains Matematik (School of Mathematical Sciences)
    Depositing User: Mr Noorazilan Noordin
    Date Deposited: 24 Jan 2017 12:10
    Last Modified: 24 Jan 2017 12:10
    URI: http://eprints.usm.my/id/eprint/31781

    Actions (login required)

    View Item
    Share