Erkennung von Anomalien bei kategorialen Daten

Das System zur Erkennung von Ausreißern entdeckt neue oder seltene Ereignisse, Anomalien, bösartige Handlungen und außergewöhnliche Phänomene. Es ist zwingend erforderlich, diese Anomalien beim Data Mining zu finden, da das Vorhandensein dieser Objekte die Datenbank normalerweise ineffizient macht. Ein Ausreißer ist eine Beobachtung, die so stark von den anderen Beobachtungen abweicht, dass der Verdacht aufkommt, dass sie durch einen anderen Mechanismus erzeugt wurde. Das Auffinden von Objekten, die nicht den wohldefinierten Vorstellungen vom erwarteten Verhalten in einem Datensatz entsprechen, wird als Ausreißererkennung bezeichnet. Die Ausreißererkennung ist ein Vorverarbeitungsschritt zum Auffinden dieser nicht konformen Objekte in Datensätzen. Die Erkennung von Ausreißern ist ein schwieriger Prozess in großen Datenbanken, da sie hochdimensionale Daten mit einer niedrigen Anomalierate enthalten. Hier werden Ausreißer formal definiert und es werden optimierte Methoden zur Erkennung von Ausreißern vorgeschlagen. Die Optimierung der Ausreißererkennung wird durch ein neues Konzept der Holoentropie erreicht, das Entropie und Gesamtkorrelation kombiniert. Es ist ein effektiveres und effizienteres praktisches Phänomen bei Ausreißer-Erkennungsmethoden. Es kann sowohl bei großen als auch bei hochdimensionalen Datensätzen effektiv eingesetzt werden.

Autorentext

Chiranji Lal Chowdhary est professeur assistant (grade de sélection) au VIT Vellore, à l'école des technologies de l'information et de l'ingénierie. Avant de venir au VIT, il était chargé de cours à l'Institut de technologie M.S. Ramaiah, à Bangalore.