12710_de-DE

liliconcom

multivariate Ausreißererkennung<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />

Hallo,

Ich habe die folgende Frage von einem Kunden (Freescale) zur JMP12-Ausreißererkennung und zu multivariaten robusten Ausreißern:

• Gibt es eine Möglichkeit zu wissen, welche Variablen die größte Auswirkung auf die Entfernung von Mahalanobis haben (als Diskriminante mit schrittweiser Reihenfolge)?

• Ist dieser Weg gleichbedeutend mit einer PCA, gefolgt von einer Mahalanobis-Distanz? -> In meinem Sinn ist es aufgrund der robusten Analyse etwas anders.

• KNN multivariate Ausreißer: Ist es gleichwertig, eine Clusteranalyse mit einem K-Mittelwert von 1 durchzuführen (mehr Option bei der Clustering-Plattform)?

Danke für deine Antwort,

Florenz

Re: multivariate Ausreißererkennung

Hallo Florenz,

Es sieht so aus, als würde Freescale dies bereits tun oder etwas Ähnliches. Eine Möglichkeit, dieses hochdimensionale, multivariate Ausreißer-Problem zu zähmen, könnte sein:

1) Verwenden Sie den Mahalanobis-Plot, um Ausreißerereignisse zu erkennen

2) Schauen Sie sich die SPC-Diagramme der einzelnen PCA-Cluster an, um zu ermitteln, welche Cluster für jedes Ausreißerereignis in (1) Ausreißer sind

3) Sehen Sie sich das SPC-Diagramm der einzelnen Variablen innerhalb der Ausreißercluster für jedes Ausreißerereignis in (2) an, um Ausreißervariablen zu identifizieren

Wenn dieses Verfahren für sie geeignet ist, möchten sie möglicherweise ein Skript für den Workflow erstellen, um einem breiteren Anwenderkreis die Anwendung zu erleichtern.

Malcolm

Re: multivariate Ausreißererkennung

Hey Peter!

Vielen Dank für Ihren Vorschlag. Das Hauptproblem bei der Streudiagramm-Matrix ist die Tatsache, dass sie sich im Halbleiterbereich befindet und mehr als 300 Variablen hat. Grafische Werkzeuge sind nicht so einfach zu bedienen…

In Bezug auf PCA hat sie JMP Pro, daher denke ich, dass sie die Clustering-Option verwendet.

Florenz

De: peter.bartell@jmp.com

Gesandter: Lundi 8. Juni 2015 17:26

À: Florence Kussener

Objekt: Re: - multivariate Ausreißererkennung

JMP-Benutzer-Community <>

multivariate Ausreißererkennung

Antwort von peter.bartell@jmp.com <> in der JMP SE-Community - Komplette Diskussion anzeigen <>

Re: multivariate Ausreißererkennung

Florence: Hier sind ein paar Gedanken für Ihren Kunden ... Was die Mahalanobis-Grafik angeht, werden bei Ausreißern durch Klicken auf den Ausreißerpunkt diese Zeile in der Datentabelle hervorgehoben und eine dynamische Ansicht der Streudiagramm-Matrix angezeigt Außerdem sollten auch eine oder mehrere Variablen angezeigt werden, die sich außerhalb der zweifach variablen Ellipsen befinden. Dies sollte einige Hinweise geben, welche Variablen die Schuldigen sind.

Mein nächster Gedanke ist zu Ihrer zweiten Frage. Ein einfacher PCA-Bericht zeigt die Bi-Plot-Darstellung. Wenn es multivariate Ausreißer gibt, sind die Chancen gut, dass sie als äußerste Punkte auf der Bi-Plot erscheinen, da die Bi-Plot im Grunde genommen ist eine Restkurve für die Variabilität, die nach der Berechnung der ersten beiden Hauptkomponenten übrig bleibt.