Density-Based Approach for Outlier Detection and Removal

Diese Arbeit stellt einen Algorithmus zur gleichzeitigen Durchführung von Clustern und Ausreißer-Erkennung dar. Wie die Forschung sagt, sind Clusterbildung und Ausreißer-Erkennung (Anomalie) keine getrennten Probleme, sondern stehen in Wechselbeziehung. Daher bietet unser Algorithmus eine allgemeine Lösung für die Ausreißer-Erkennung je nach Anwendung. Er nimmt einige Schwellenwerte als Input, wendet den K-Mittel-Algorithmus für das anfängliche Clustern an und basierend auf Schwellenwerten werden Ausreißer erkannt. Dieser Ansatz ist nicht streng auf die Anzahl der Cluster k beschränkt, sondern wendet bei Bedarf Re-Clusterbildung an. Er hilft, lokale und globale Ausreißer des Datensatzes zu finden. Die Ergebnisse können durch Variation der Werte der Schwellenwerte angepasst werden. Der Algorithmus arbeitet in zwei Phasen, wobei die erste Phase eine anfängliche Clusterbildung unter Verwendung von K-Means und die zweite Phase hilft, Ausreißer zu finden.