General application scenarios– Supe

General application scenarios
– Supervised scenario
• In some applications, training data with normal and abnormal data objects are provided
• There may be multiple normal and/or abnormal classes
• Often, the classification problem is highly unbalanced
– Semi-supervised Scenario
• In some applications, only training data for the normal class(es) (or only the abnormal class(es)) are provided
– Unsupervised Scenario
• In most applications there are no training data available
• In this tutorial, we focus on the unsupervised scenario

Are outliers just a side product of some clustering algorithms?
– Many clustering algorithms do not assign all points to clusters but account for noise objects
– Look for outliers by applying one of those algorithms and retrieve the noise set
– Problem:
• Clustering algorithms are optimized to find clusters rather than outliers
• Accuracy of outlier detection depends on how good the clustering algorithm captures the structure of clusters
• A set of many abnormal data objects that are similar to each other would be recognized as a cluster rather than as noise/outliers

Kết quả (Việt) 1:

Kịch bản chung-Giám sát kịch bản• Trong một số ứng dụng, đào tạo dữ liệu với các đối tượng dữ liệu bình thường và bất thường được cung cấp• Có thể có nhiều lớp học bình thường và/hoặc bất thường• Thông thường, vấn đề phân loại là rất không cân bằng-Bán giám sát kịch bản• Trong một số ứng dụng, chỉ đào tạo dữ liệu cho class(es) bình thường (hoặc chỉ class(es)) bất thường được cung cấp-Không có giám sát kịch bản• Trong hầu hết các ứng dụng đó không có đào tạo dữ liệu có sẵn• Trong hướng dẫn này, chúng tôi tập trung vào các kịch bản không có giám sátLà outliers chỉ là một sản phẩm phụ của một số thuật toán kết cụm?-Nhiều các thuật toán kết cụm không chỉ định tất cả các điểm cho cụm nhưng tài khoản cho các đối tượng tiếng ồn-Tìm outliers bằng cách áp dụng một trong những thuật toán và lấy bộ tiếng ồn-Vấn đề:• Các thuật toán kết cụm được tối ưu hóa để tìm cụm chứ không phải là outliers• Độ chính xác của outlier phát hiện phụ thuộc vào tốt như thế nào các thuật toán kết cụm nắm bắt cấu trúc của cụm• Một tập hợp của nhiều đối tượng bất thường dữ liệu tương tự như nhau sẽ được công nhận như là một cụm sao thay vì là ồn/outliers

Kết quả (Việt) 2:

Kịch bản ứng dụng chung
- kịch bản được giám sát
• Trong một số ứng dụng, dữ liệu đào tạo với các đối tượng dữ liệu bình thường và bất thường được cung cấp
• Có thể có nhiều bình thường và / hoặc các lớp học bất thường
• Thông thường, vấn đề phân loại là rất không cân bằng
- Semi-giám sát Kịch bản
• Trong một số ứng dụng , chỉ đào tạo dữ liệu cho các lớp học bình thường (es) (hoặc chỉ lớp bất thường (es)) được cung cấp
- kịch bản có giám sát
• Trong hầu hết các ứng dụng không có dữ liệu huấn luyện sẵn
• Trong hướng dẫn này, chúng tôi tập trung vào kịch bản không có giám sát

là giá trị ngoại lai chỉ ? một sản phẩm phụ của một số thuật toán phân cụm
- Nhiều thuật toán phân nhóm không chỉ định tất cả các điểm đến cụm nhưng chiếm tới đối tượng tiếng ồn
- Hãy tìm giá trị ngoại lai bằng cách áp dụng một trong những thuật toán và lấy tiếng ồn thiết
- vấn đề:
• thuật toán Clustering được tối ưu hóa để tìm các cụm chứ không phải là giá trị ngoại lai
• Độ chính xác của phát hiện outlier phụ thuộc vào cách thức tốt các thuật toán phân nhóm bắt cấu trúc của cụm
• một tập hợp của nhiều đối tượng dữ liệu bất thường tương tự như nhau sẽ được công nhận là một cụm chứ không phải là tiếng ồn / giá trị ngoại lai