ko527ko 님의 블로그

1. Basic concept - outlier은 normal한 패턴을 따르지 않는 것 2. Statiscal approaches: 통계적 기법으로 outlier 찾기(box plot, normal distribution, t-distribution, distance-based, realistic k로 local outlier)3. Proximity-based approaches4. Reconstruction-based approaches - normal한 방법을 대표하는 모델 (succint represention)으로 복원시켰을 때, normal한 것은 모델을 따르고, outlier은 모델을 따르지 않음.5. Clustering and Classification based approaches - 클러..

1. Basic concept2. Statiscal approaches3. Proximity-based approaches4. Reconstruction-based approaches - Matrix factorization based method 5. Clustering and Classification based approaches - Clustering-based approaches - Classification-based approaches6. Mining contextual and collective outliers7. Outlier detection in high-dimensional data  어떠한 data를 설명하기 위한 model(Succinct representation)을 오차를 최..

1. Basic concept2. Statiscal approaches - Parametric methods - Nonparametric methods3. Proximity-based approaches4. Reconstruction-based approaches5. Clustering and Classification based approaches6. Mining contextual and collective outliers7. Outlier detection in high-dimensional data  주어진 data set의 분포를 잘 설명하는 생성 모델을 학습하고, 그 모델에서 낮은 확률 영역(low-probability regions)에 속하는 objects를 outliers로 식별한다. pa..

Outlier(이상치)를 알아보고, Outlier을 detection(감지)하는 방법론을 배워보자.1. Basic concept2. Statiscal approaches3. Proximity-based approaches4. Reconstruction-based approaches5. Clustering and Classification based approaches6. Mining contextual and collective outliers7. Outlier detection in high-dimensional data대부분의 transaction들은 normal 하지만, 몇몇은 매우 anormal(일반적이지 않다). 함.Outlier: data의 분포(expectation)을 따르지 않는 소수의 d..

Cluster analysis: 군집 분석Partitioning methods: 부분 나누기 방법Hierarchical methods: 계층적 방법Density-based and grid-based methods (밀도 기반, 격자 기반 방법)- DBSCAN : high density(높은 밀도)를 가진 connected regions(연결된 지역)을 기반으로 한 density-based(밀도 기반) clustering- DENCLUE: density distribution function(밀도 분산 함수)에 기반한 clustering- Grid-based methodEvaluation of clustering (클러스터링의 평가) density(밀도)에 기반한 Clustering밀도의 척도: local..

Cluster analysis: 군집 분석Partitioning methods: 부분 나누기 방법Hierarchical methods: 계층적 방법Hierarchical clustering의 기본 개념Agglomerative hierarchical clustering (병합 계층적 군집화)Divisive hierarchical clustering (분열 일으키는 계층적 군집화)BIRCH: scalable hierarchical clustering (확장 가능한 계층적 군집화) using clustering feature(CF) trees (군집 특징 트리를 이용한)Probabilisitc hierarchical clustering (확률적인 계층적 군집화)Density-based and grid-base..

Data Types, Statics of Data, Similarity and Distace9 Measures, Data Quality, Data Clening and Data Intergration, Data transformation, Dimensionality Reduction, Summary에 대해 배워보자. 1. Record Data (기록된 데이터)- Relational records: Relational tables(관계형 테이블), highly structured(구조화된- Data matrix ex. numerical matrix(숫자 배열), crosstabs (교차표)- Transaction data (발생 데이터, 변동 데이터)- Document data: Term-frequency..

Apriori approach의 장애물(단점)- Breadth-first search: 메모리를 많이 씀. 모든 것을 탐색해야 함. (비효율적)- candidate를 생성하고 테스트함: 종종 많은 양의 candidate가 생김- memory 안에 candidate가 다 들어가야 알고리즘 성능이 좋아짐. → candidate 개수가 줄어야 함. 어떤 case에는 메모리에 candidate를 다 넣을 수 없음그래서 생긴 FPGrowth Approach- Depth-first search - 명확한 candidate 생성을 피한다.- 원리: 지역 frequent items 만을 사용해서 짧은 패턴 → 긴 패턴으로 성장시킴    ㄴ frequent pattern인 "abc" / "abc"를 가진 모든 trans..

패턴 평가 방법에 대해 알아보자. 1. Rule/Pattern이 흥미로운지(중대한지) 판단하는 방법pattern-mining은 방대한 pattern/rules의 집합을 만든다. -> 생성된 모든 집합이 흥미롭진 않음. 흥미로움의 척도: Objective(객관적) vs Subjective(주관적) -> Support, confidence, correlation... 주관적인 흥미로움의 척도: 다양한 user들이 다양하게 흥미로움을 판단 (흔한 pattern은 버림)사용자가 지정한다: Query-based(사용자의 특정한 요청과 관련됨)누군가의 지식에 대해 판단: 예상치 않은, 새로운, 시의성(유행에 뒤지지 않은)... 2. Support-Confidence 기반의 한계(limitation)s와 c asso..

1. 효율적인 Pattern Mining 방법Frequent Patterns의 Downward Closure Property (하향 폐쇄.. 방법)The Apriori Algoritm확장(extensions) or 향상(Improvements) of Apriori  수직 데이터 포맷 탐색에 의한 frequent patterns miningFPGrowth: A Frequent Pattern-Growth ApproachMining Closed Patterns ... 2. The Apriori Algorithm (의사 코드)C_k: Candidate itemset of size k (item 갯수 k개인 후보 itemset)F_k: Frequent item set of size k (item 갯수 k개인 fr..