این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
International Journal of Nonlinear Analysis and Applications، جلد ۱۳، شماره ۱، صفحات ۱۶۸۳-۱۶۹۹
عنوان فارسی
چکیده فارسی مقاله
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A local density-based outlier detection method for high dimension data
چکیده انگلیسی مقاله The researchers faced challenges in the outlier detection process, mainly when deals with the high dimensional dataset; to handle this problem, we use The principal component analysis. Outlier detection or anomaly detection, with local density-based methods, compares the density of observation with the surrounding local density neighbors. We apply the outlier score as a measure of comparison. In this research, we choose different density estimation functions and calculated different distances. Weighted kernel density estimation with adaptive bandwidth for multivariate kernel density estimation(Gaussian) considered the $KNN$ and RNN. $KNN$ is considered too for the Epanenchnikov kernel density estimation. Lastly, we estimate the LOF as a base method in detecting outliers. Extensive experiments on a synthetic dataset have shown that RKDOS and EPA are more efficient than LOF using the precision evaluation criterion.
کلیدواژه‌های انگلیسی مقاله local density, K-nearest neighbor, R-nearest neighbor, outlier score, WKDE
نویسندگان مقاله Shahad Adel Abdulghafoor |
University of Baghdad, College of Management and Economics, Department Of Statistics, Iraq

Lekaa Ali Mohamed |
University of Baghdad, College of Management and Economics, Department Of Statistics, Iraq

نشانی اینترنتی https://ijnaa.semnan.ac.ir/article_5784_f851540ce83b89b0ba7ae6d2e356ef0a.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات