NEZVALOVÁ, Leona, Lubomír POPELÍNSKÝ, Luis TORGO a Karel VACULÍK. Class-Based Outlier Detection: Staying Zombies or Awaiting for Resurrection? In Elisa Fromont, Tijl De Bie, Matthijs van Leeuwen. Advances in Intelligent Data Analysis XIV - 14th International Symposium, IDA 2015. Neuveden: Springer, 2015. s. 193-204, 12 s. ISBN 978-3-319-24464-8. doi:10.1007/978-3-319-24465-5_17.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Class-Based Outlier Detection: Staying Zombies or Awaiting for Resurrection?
Autoři NEZVALOVÁ, Leona (203 Česká republika, domácí), Lubomír POPELÍNSKÝ (203 Česká republika, garant, domácí), Luis TORGO (620 Portugalsko) a Karel VACULÍK (203 Česká republika, domácí).
Vydání Neuveden, Advances in Intelligent Data Analysis XIV - 14th International Symposium, IDA 2015, od s. 193-204, 12 s. 2015.
Nakladatel Springer
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Velká Británie
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
Impakt faktor Impact factor: 0.402 v roce 2005
Kód RIV RIV/00216224:14330/15:00084902
Organizační jednotka Fakulta informatiky
ISBN 978-3-319-24464-8
ISSN 0302-9743
Doi http://dx.doi.org/10.1007/978-3-319-24465-5_17
Klíčová slova anglicky class-based outlier detection; outlier interpretation; outlier description; anomaly detection; outlier detection
Štítky core_A, firank_A
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 2. 5. 2016 06:26.
Anotace
This paper addresses the task of finding outliers within each class in the context of supervised classification problems. Class-based outliers are cases that deviate too much with respect to the cases of the same class. We introduce a novel method for outlier detection in labelled data based on Random Forests and compare it with the existing methods both on artificial and real-world data. We show that it is competitive with the existing methods and sometimes gives more intuitive results. We also provide an overview for outlier detection in labelled data. The main contribution are two methods for class-based outlier description and interpretation.
VytisknoutZobrazeno: 23. 9. 2020 09:07