과제 11 - 이상치 스크리닝
이상치 스크리닝은 데이터가 일반적으로 숫자인 이상 탐지 방법입니다. JMP 분석 > 선별 > 이상치 탐색 메뉴 옵션 아래에 4가지 이상치 선별 방법이 있습니다. 이러한 방법 중 두 가지는 단변량이며 단일 데이터 열에서 식별할 수 있는 이상값에 적용할 수 있습니다.
이러한 방법은 데이터 중심에서 멀리 떨어져 있는 관측값으로 이상치를 정의하는 표준 접근 방식을 사용합니다. 멀리 및 중심을 알고리즘적으로 정의하는 것은 이러한 유형의 방법의 핵심입니다. 데이터가 단일 모드이고 제한되지 않은 경우에는 잘 작동하지만, 이상값이 경계 근처에서 발생하거나 주요 모드 사이 또는 데이터 값의 끝에서 클러스터로 발생하는 경우에는 잘 작동하지 않습니다.
이러한 상황에서 표준 이상값 선별 방법은 이상값을 찾지 않거나 여러 번 반복해야 합니다. 이러한 행동을 유발하는 세 가지 예는 다음과 같습니다. 세 가지 이상값 예.JMP 아래에.
이번 달의 과제를 위해 표준 기술로 발견된 것 외에 이러한 유형의 이상값을 찾는 알고리즘을 개발하십시오. 이상치는 일변량이고 데이터는 숫자라고 가정합니다. NS 프로브.JMP 샘플 데이터 테이블은 알고리즘을 테스트하기에 좋은 데이터 세트입니다.
개선된 이상치 선별 방법을 생각해 낼 수 있습니까?
Re: 챌린지 11 - 이상치 스크리닝재미있는 운동이었습니다!다음은 첨부된 데이터 테이블의 Bimodal 열에 대한 제출입니다.원하는 결과를 얻으려면 K 매개변수를 미세 조정해야 한다는 것을 인정합니다.다른 2개 열의 경우 이상값으로 간주해야 하는 항목이 명확하지 않았습니다.
dt = Open( "Three Outlier Examples.jmp" );
obj1 = dt << Explore Outliers(
Y( :Bimodal ),
K Nearest Neighbor Outliers( K( 20 ), Impute Missing( 1 ) )
);
obj1 << Save NN Distances;
obj2 = dt << Explore Outliers(
Y( :Nearest 20 Distance ),
Robust Fit Outliers( K Sigma( 200 ), Huber( 1 ) )
);
obj2 << Select Rows (:"Nearest 20 Distance"n) << Color Rows (:"Nearest 20 Distance"n);
dt << Graph Builder(
Size( 489, 454 ),
Show Control Panel( 0 ),
Variables( X( :Bimodal ) ),
Elements( Points( X, Legend( 3 ) ) )
);
Re: 챌린지 11 - 이상치 스크리닝감사 해요 @mzwald , 나는 접근 방식을 좋아한다.
