基于直方图和FP增长的高维空间离群点挖掘

被引：2

作者：

李龙姣

程国达

机构：

[1] 南京财经大学信息工程学院

来源：

计算机与现代化 | 2013年 / 01期

关键词：

数据挖掘; KNN距离; 直方图; FP增长; 离群维关联;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

高维空间离群点的检测和分析是数据挖掘的研究难点之一,针对现有方法存在的问题,提出基于直方图和FP增长的高维空间离群点的挖掘方法。该方法首先计算每一维上数据点的KNN(K-Nearest Neighbors)距离,形成直方图,利用直方图判定数据每一维上的离群点,然后用FP增长算法挖掘频繁离群维之间的关联规则,用于解释离群点在离群维之间的关系。实验证明所提方法不仅有效,而且具有实际意义。

引用

页码：47 / 52

页数：6

共 19 条

[1] Distance-based detection and prediction of outliers. ANGIULLI F,BASTA S,PIZZUTI C. IEEE Transactions on Knowledge and Data Engineering . 2006
[2] 基于粗糙集的高维空间离群点发现算法研究
许龙飞
熊君丽
不详
[J]. 计算机工程与应用 , 2004, (07) : 58 - 60+77
[3] Risk Analysis for Large Projects: Models, Methods and Cases. Chapman CB,Cooper DF. . 1987
[4] Outlier detection for high dimensional data. Aggarwal CC,Yu P. Proceedings of the ACM SIGMOD International Conference on Management of Data . 2001
[5] 离群点挖掘方法综述
薛安荣
姚林
鞠时光
陈伟鹤
马汉达
[J]. 计算机科学, 2008, (11) : 13 - 18+27
[6] LOF: identifying density-based local outliers. Breunig M M,Kreigel H P,Ng R T,et al. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data . 2000
[7] A genetic approach for efficient outlier detection in projected space. Bandyopadhyay S,Santra S. Pattern Recognition . 2008
[8] Outlier Mining in Large High-Dimensional Data Sets. Fabrizio Angiulli,Clara Pizzuti. IEEE Transaction On Knowledge And Data Engineer . 2005
[9] Re-designing Distance Functions and Distance-based Applications for High Dimensional Data. Aggarwal C C. SIGMOD Re-cord Date . 2001
[10] Data clustering[J] . A. K. Jain,M. N. Murty,P. J. Flynn. &nbspACM Computing Surveys (CSUR) . 1999 (3)

← 1 2 →