Wyszukiwanie zaawansowane ?

Obiekt

Isolation Forests for Symbolic Data as a Tool for Outlier Mining
Pobierz

Tytuł: Isolation Forests for Symbolic Data as a Tool for Outlier Mining

Tytuł odmienny:

Lasy separujące dla danych symbolicznych jako narzędzie wykrywania obserwacji odstających

Autor:

Pełka, Marcin ; Dudek, Andrzej

Opis:

Econometrics = Ekonometria, 2024, Vol. 28, No. 1, s. 1-10

Abstrakt:

Aim: Outlier detection is a key part of every data analysis. Although there are many definitions of outliers that can be found in the literature, all of them emphasise that outliers are objects that are in some way different from other objects in the dataset. There are many different approaches that have been proposed, compared, and analysed for the case of classical data. However, there are only few studies that deal with the problem of outlier detection in symbolic data analysis. The paper aimed to propose how to adapt isolation forest for symbolic data cases. Methodology: An isolation forest for symbolic data is used to detect outliers in four different artificial datasets with a known cluster structure and a known number of outliers Results: The results show that the isolation forest for symbolic data is a fast and efficient tool for outlier mining. Implications and recommendations: As the isolation forest for symbolic data appears to be an efficient tool for outlier detection for artificial data, further studies should focus on real data sets that contain outliers (i.e. credit card fraud dataset), and this approach should be compared with other outlier mining tools (i.e. DBCSAN). The authors recommend using the same initial settings for the isolation forest for symbolic data as the settings that are proposed for the isolation forest for classical data. Originality/value: This paper is the first of its kind, focusing not only on the problem of outlier detection in general, but also extending the well-known isolation forest model for symbolic data cases.

Wydawca:

Publishing House of Wroclaw University of Economics and Business

Miejsce wydania:

Wroclaw

Data wydania:

2024

Typ zasobu:

artykuł

Identyfikator zasobu:

doi:10.15611/eada.2024.1.01 ; oai:dbc.wroc.pl:126462

Język:

eng

Powiązania:

Econometrics = Ekonometria, 2024, Vol. 28, No. 1

Prawa:

Pewne prawa zastrzeżone na rzecz Autorów i Wydawcy

Prawa dostępu:

Dla wszystkich zgodnie z licencją

Licencja:

CC BY-SA 4.0

Lokalizacja oryginału:

Uniwersytet Ekonomiczny we Wrocławiu

Tytuł publikacji grupowej:

Ekonometria = Econometrics

Temat i słowa kluczowe:

symbolic data analysis isolation forest outliers analiza danych symbolicznych lasy separujące obserwacje odstające

Kolekcje, do których przypisany jest obiekt:

Data ostatniej modyfikacji:

10 maj 2024

Data dodania obiektu:

10 maj 2024

Liczba wyświetleń treści obiektu:

57

Wszystkie dostępne wersje tego obiektu:

https://dbc.wroc.pl/publication/165384

Wyświetl opis w formacie RDF:

RDF

Wyświetl opis w formacie OAI-PMH:

OAI-PMH

Nazwa wydania Data
Isolation Forests for Symbolic Data as a Tool for Outlier Mining 10 maj 2024

Podobne

Ekonometria = Econometrics
Ekonometria = Econometrics

Regression analysis for interval-valued symbolic data versus noisy variables and outliers

Pełka, Marcin Dudek, Andrzej

2016
artykuł
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu

Analiza wielopoziomowa z wykorzystaniem danych symbolicznych

Sagan, Adam Pełka, Marcin

2016
artykuł
Ekonometria = Econometrics
Ekonometria = Econometrics

Unfolding analysis adaptation for symbolic data - hybrid and symbolic-numeric approach

Zaborski, Artur Pełka, Marcin

2013
artykuł
Ekonometria = Econometrics
Ekonometria = Econometrics

Regresja logistyczna dla danych symbolicznych interwałowych

Pełka, Marcin

2015
artykuł
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu

Podejście wielomodelowe z wykorzystaniem metody boosting w analizie danych symbolicznych

Pełka, Marcin

2012
artykuł
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu

Klasyfikacja pojęciowa danych symbolicznych w podejściu wielomodelowym.

Pełka, Marcin

2014
artykuł
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu

Podejście wielomodelowe analizy danych symbolicznych w ocenie zdolności kredytowej osób fizycznych

Pełka, Marcin

2018
artykuł
Ekonometria = Econometrics
Ekonometria = Econometrics

Analysis of happiness in EU countries using the multi-model classification based on models of symbolic data

Pełka, Marcin

2019
artykuł
Więcej
×

Cytowanie

Styl cytowania:

Dane kontaktowe

Adres

Politechnika Wrocławska (Koordynator Konsorcjum DBC)
Biblioteka Politechniki Wrocławskiej
Wybrzeże Wyspiańskiego 27
50-370 Wrocław, Polska

Telefon

(+48) 71-320-38-30
(+48) 71-320-47-50

E-Mail

bc@pwr.edu.pl

Odwiedź nas!

https://biblioteka.pwr.edu.pl/

Ta strona wykorzystuje pliki 'cookies'. Więcej informacji