Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

MNiSW
200
Lista 2024
Status:
Autorzy: Kiersztyn Adam, Pylak Dorota, Horodelski Michał, Kiersztyn Krystyna, Urbanovich Pavel
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2024
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Wolumen/Tom: 667
Numer artykułu: 120498
Strony: 1 - 17
Scopus® Cytowania: 2
Bazy: Scopus
Efekt badań statutowych NIE
Finansowanie: The work was co-financed by the Lublin University of Technology Scientific Fund: FD-20/IT-3/002.
Materiał konferencyjny: NIE
Publikacja OA: NIE
Abstrakty: angielski
Outlier detection is one of the most important issues in contemporary data analysis. At present, many methods are employed for anomaly and outlier detection, but there is still no universal tool that delivers a high degree of efficiency. In this study, we present a novel approach for outlier detection based on the skillful use of the law of large numbers. The main idea of the proposed solution consists of the random clustering of the elements of the analyzed set. Then, those elements that are sufficiently distant from the random cluster centers are marked as outliers. The proposed approach, besides being highly effective, is also very intuitive. The results of the conducted numerical experiments confirm the high degree of effectiveness of the proposed method, with the measures of accuracy and precision reaching a value of 1. The indisputable advantages of this novel approach for outlier detection are the simplicity of interpretation and the possibility of its modification by people who may lack an extensive experience in data analysis. The effectiveness of the proposed method was compared with other recognized techniques in detecting outliers within both artificially generated and empirical data sets