Cover Image

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...

Full description

Saved in:
Bibliographic Details
Main Author: Davinna Jeremiah, Davinna Jeremiah
Format: Thesis
Language:English
Published: 2016
Subjects:
QA1 Mathematics (General)
Online Access:http://eprints.usm.my/31781/1/DAVINNA_JEREMIAH_24%28NN%29.pdf
http://eprints.usm.my/31781/
Tags: Add Tag
No Tags, Be the first to tag this record!
id my.usm.eprints.31781
record_format eprints
spelling my.usm.eprints.31781 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.
institution Universiti Sains Malaysia
building Hamzah Sendut Library
collection Institutional Repository
continent Asia
country Malaysia
content_provider Universiti Sains Malaysia
content_source USM Institutional Repository
url_provider http://eprints.usm.my/
language English
topic QA1 Mathematics (General)
spellingShingle QA1 Mathematics (General)
Davinna Jeremiah, Davinna Jeremiah
An Adaptive Outlier Detection For Scatter Points Of Unascertained Models
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.
format Thesis
author Davinna Jeremiah, Davinna Jeremiah
author_facet Davinna Jeremiah, Davinna Jeremiah
author_sort Davinna Jeremiah, Davinna Jeremiah
title An Adaptive Outlier Detection For Scatter Points Of Unascertained Models
title_short 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_sort adaptive outlier detection for scatter points of unascertained models
publishDate 2016
url http://eprints.usm.my/31781/1/DAVINNA_JEREMIAH_24%28NN%29.pdf
http://eprints.usm.my/31781/
_version_ 1643707478904406016
score 13.211869

Similar Items