An Adaptive Outlier Detection For Scatter Points Of Unascertained Models
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 majo...
| Main Author: | |
|---|---|
| Format: | Thesis |
| Language: | English |
| Published: |
2016
|
| Subjects: | |
| Online Access: | http://eprints.usm.my/31781/1/DAVINNA_JEREMIAH_24%28NN%29.pdf |
| _version_ | 1797008706614853632 |
|---|---|
| author | Davinna Jeremiah, Davinna Jeremiah |
| author_facet | Davinna Jeremiah, Davinna Jeremiah |
| author_sort | Davinna Jeremiah, Davinna Jeremiah |
| collection | USM |
| description | 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. |
| first_indexed | 2024-03-06T14:55:12Z |
| format | Thesis |
| id | usm.eprints-31781 |
| institution | Universiti Sains Malaysia |
| language | English |
| last_indexed | 2024-03-06T14:55:12Z |
| publishDate | 2016 |
| record_format | dspace |
| spelling | usm.eprints-317812019-04-12T05:25:26Z http://eprints.usm.my/31781/ An Adaptive Outlier Detection For Scatter Points Of Unascertained Models Davinna Jeremiah, Davinna Jeremiah QA1 Mathematics (General) 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. 2016-02 Thesis NonPeerReviewed application/pdf en http://eprints.usm.my/31781/1/DAVINNA_JEREMIAH_24%28NN%29.pdf Davinna Jeremiah, Davinna Jeremiah (2016) An Adaptive Outlier Detection For Scatter Points Of Unascertained Models. PhD thesis, Universiti Sains Malaysia. |
| spellingShingle | QA1 Mathematics (General) Davinna Jeremiah, Davinna Jeremiah An Adaptive Outlier Detection For Scatter Points Of Unascertained Models |
| title | An Adaptive Outlier Detection For Scatter Points Of Unascertained Models |
| title_full | An Adaptive Outlier Detection For Scatter Points Of Unascertained Models |
| title_fullStr | An Adaptive Outlier Detection For Scatter Points Of Unascertained Models |
| title_full_unstemmed | An Adaptive Outlier Detection For Scatter Points Of Unascertained Models |
| title_short | An Adaptive Outlier Detection For Scatter Points Of Unascertained Models |
| title_sort | adaptive outlier detection for scatter points of unascertained models |
| topic | QA1 Mathematics (General) |
| url | http://eprints.usm.my/31781/1/DAVINNA_JEREMIAH_24%28NN%29.pdf |
| work_keys_str_mv | AT davinnajeremiahdavinnajeremiah anadaptiveoutlierdetectionforscatterpointsofunascertainedmodels AT davinnajeremiahdavinnajeremiah adaptiveoutlierdetectionforscatterpointsofunascertainedmodels |