Ausreier-Erkennung mit einem neuen hybriden Ansatz auf gemischten Datenstzen

Data Mining ist ein Prozess, bei dem versteckte und ntzliche Informationen aus den Daten extrahiert werden. Die Erkennung von Ausreiern ist ein grundlegender Teil des Data Mining und geniet in letzter Zeit groe Aufmerksamkeit in der Forschungsgemeinschaft. Ein Ausreier ist ein Datenobjekt, das von anderen Beobachtungen abweicht. Die Erkennung von Ausreiern hat wichtige Anwendungen bei der Datenbereinigung sowie beim Mining von abnormalen Punkten fr die Erkennung von Betrug, Brsenanalyse, Intrusion Detection, Marketing, Netzwerksensoren. Die meisten der bestehenden Forschungsbemhungen konzentrieren sich auf numerische Datenstze, die nicht direkt auf kategorische Datenstze anwendbar sind, bei denen es wenig Sinn macht, die Daten zu ordnen und Abstnde zwischen Datenpunkten zu berechnen. Darber hinaus bentigen einige der aktuellen Ausreier-Erkennungsmethoden quadratische Zeit in Bezug auf die Gre des Datensatzes und bentigen in der Regel mehrere Scans der Daten; diese Eigenschaften sind unerwnscht, wenn die Datenstze gro sind. In dieser Arbeit wird ein Ansatz zur Ausreiererkennung fokussiert und experimentell evaluiert, der auf kategoriale Datenstze ausgerichtet ist. Auerdem handelt es sich um einen einfachen, skalierbaren und effizienten Algorithmus zur Ausreiererkennung, der den Vorteil hat, Ausreier in kategorialen oder numerischen Datenstzen zu entdecken, indem er per