Wyszukiwanie zaawansowane ?

Obiekt

Comparison of Machine Learning and Statistical Approaches of Detecting Anomalies Using a Simulation Study
Pobierz

Tytuł: Comparison of Machine Learning and Statistical Approaches of Detecting Anomalies Using a Simulation Study

Tytuł odmienny:

Uczenie maszynowe i statystyczne metody wykrywania anomalii – porównawcza analiza symulacyjna

Autor:

Lenart, Klaudia

Opis:

Econometrics = Ekonometria, 2024, Vol. 28, No. 4, s. 23-31

Abstrakt:

Aim: An anomaly is an observation or a group of observations that is unusual for a given dataset. Anomaly detection has many applications, not only as a step of data preparation but also, for example, as a way of identifying credit card fraud detection, network intrusions and much more. There are diverse methods of anomaly detection. In particular two groups of methods have been developed independently – statistical methods and machine learning algorithms. Those methods are rarely compared. While statistical methods focus on formulating a measure of the abnormality of the observations, supervised machine learning makes it possible to use data about typical observations and previously identified anomalies. The aim of this paper was to compare the two approaches by conducting a simulation study. Methodology: A simulation study was conducted, during which the data was generated using copula functions. For the purpose of generating different types of anomalies, marginal distributions of the variables were manipulated. The effectiveness of each method was evaluated based on measures of classification model performance. Results: While the accuracy of the statistical methods was dependent on the precise prediction of the percentage of the anomalies that would occur in the data, the machine learning algorithms’ recall was significantly lower when the change in the marginal distribution of the value parameters was smaller. Implications and recommendations: For the statistical methods included in the study, knowledge about the distribution of the variables was crucial while the supervised machine learning algorithms required acquiring a training dataset. Unlike machine learning algorithms, the statistical methods performed with similar accuracy even when the change in the marginal distribution parameters’ value was smaller Originality/value: The two approaches to anomaly detection presented in the paper are not often compared, usually used by two separate groups of researchers – statisticians and machine learning or data science specialists.

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.2024.4.02 ; oai:dbc.wroc.pl:131964

Język:

eng

Powiązania:

Econometrics = Ekonometria, 2024, Vol. 28, No. 4

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:

anomaly detection simulation study machine learning wykrywanie anomalii badanie symulacyjne uczenie maszynowe

Kolekcje, do których przypisany jest obiekt:

Data ostatniej modyfikacji:

27 lut 2025

Data dodania obiektu:

27 lut 2025

Liczba wyświetleń treści obiektu:

31

Wszystkie dostępne wersje tego obiektu:

https://dbc.wroc.pl/publication/170707

Wyświetl opis w formacie RDF:

RDF

Wyświetl opis w formacie OAI-PMH:

OAI-PMH

Nazwa wydania Data
Comparison of Machine Learning and Statistical Approaches of Detecting Anomalies Using a Simulation Study 27 lut 2025

Obiekty Podobne

Informatyka Ekonomiczna = Business Informatics
Informatyka Ekonomiczna = Business Informatics
Attack vectors on supervised machine learning systems in business applications

Surma, Jerzy

2020
artykuł
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Artificial Intelligence in audit

Karmańska, Anna

2022
artykuł
Ekonomia XXI Wieku = Economics of the 21st Century
Ekonomia XXI Wieku = Economics of the 21st Century
Wykorzystanie Google Trends do predykcji stopy zwrotu indeksu WIG20

Niedzielska, Ewelina

2018
artykuł
Informatyka Ekonomiczna = Business Informatics
Informatyka Ekonomiczna = Business Informatics
Chatbot – modelowanie i aplikacje

Szymański, Grzegorz Jóźwiak, Piotr

2018
artykuł
Debiuty Studenckie
Debiuty Studenckie
Budowa i testowanie wsteczne strategii inwestycyjnej opartej o uczenie maszynowe

Wietrzykowski, Filip Grześkowiak, Alicja. Redakcja Peternek, Piotr. Redakcja

2023
rozdział
Debiuty Studenckie
Debiuty Studenckie
Diagnoza nierówności płacowych wśród sportowców z wykorzystaniem metod uczenia maszynowego

Derda, Aleksandra Stanimir, Agnieszka. Redakcja

2024
rozdział
Informatyka Ekonomiczna = Business Informatics
Informatyka Ekonomiczna = Business Informatics
The Impact of Artificial Intelligence on Managing the Recruitment Process in a Company

Butryn, Beata Rudnicki, Patryk

2024
artykuł
Debiuty Studenckie
Debiuty Studenckie
Fairness in machine learning – bias identification and reduction

Zaniewska, Aleksandra Dudycz, Helena. Redaktor

2022
rozdział
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