异常数据检测方法综述（2009年）

高维数据中的异常检测-综述异常检测方法

高维数据的异常探测方法由Aggarwal和Yu (SIGMOD’2001)提出。该方法将高维数据集映射到低维子空间，通过评估子空间中数据的稀疏性来识别异常数据。

算法与数据结构 3 2024-07-22

时序数据异常检测的综述

随着时间数据分析领域的发展，时序数据异常检测变得越来越重要。这项技术专注于识别时间序列中的异常模式和趋势，为数据分析和预测提供可靠的基础。通过应用先进的算法和技术，研究人员能够有效地监测和分析数据中的异常点，进而改进预测模型的准确性和可靠性。

算法与数据结构 2 2024-07-14

异常检测算法综述基于不同方法的异常探测分类

异常检测方法可以基于多种不同的方法进行分类：包括统计学方法、距离度量方法、偏差检测方法和密度估计方法。这些方法在处理高维数据时也有各自的应用场景。

算法与数据结构 2 2024-07-20

MATLAB异常数据检测格拉布斯准则实现代码

在数据分析和科学研究中，异常值的检测对保证分析结果的准确性至关重要。MATLAB作为强大的数值计算工具，提供了基于格拉布斯准则的异常值检测代码，用于识别可能存在的异常数据点。格拉布斯准则通过计算数据点的G值与临界值比较，标记可能的异常数据，确保数据处理的可靠性和稳健性。这些代码能够帮助研究人员和工程师快速有效地处理数据集，提高分析的质量。

Hadoop 2 2024-07-29

单元划分法异常检测算法综述

该方法将数据空间分割为单元，单元长宽为 D/(2k1/2)。每个单元包含两层包围层：内层厚度为 1 倍单元长度，外层厚度为 int（2k1/2 -1）+1 倍单元长度。异常判定：- 若 cell_+1_layer_count > M，则单元中的对象均为非异常。- 若 cell+_2_layer_count

算法与数据结构 3 2024-05-26

基于统计的异常检测算法综述

基于统计的方法假设给定的数据集服从某种随机分布，通过不一致性测试来识别异常。然而，在实际应用中，数据往往不符合理想的数学分布，尤其是在高维情况下，估计数据点的分布变得极其困难。

算法与数据结构 0 2024-08-16

气体检测仪异常数据集超过200个样本

在信息技术领域，数据集是研究、开发和训练算法的关键资源，特别是在数据分析、机器学习和人工智能领域。\"气体检测仪异常数据集200+\"专门收集了超过200个气体检测仪在异常条件下的样本数据，帮助研究人员和工程师深入理解设备的行为模式，从而改善气体检测系统的性能和可靠性。气体检测仪通常用于监测环境中的有毒、有害或易燃气体浓度，如一氧化碳、硫化氢和甲烷，以确保工业安全和环境保护。

算法与数据结构 0 2024-08-21

优化异常数据检测深入学习Go语言高级编程技巧

图5.1展示了异常数据检测的关键技术。

算法与数据结构 2 2024-07-16

异常（Outlier）的定义及检测方法

异常（Outlier）指的是数据集中与大部分数据显著偏离的数据点，其偏离程度超出随机因素的范围，可能源于完全不同的生成机制。根据Hawkins的定义，异常是数据中那些使人怀疑其生成方式不同于其他数据的点。根据Weisberg的看法，异常是不符合数据集其他部分统计模型的数据。Samuels认为，异常是与数据集中其余部分显著不同的数据点。Porkess指出，异常是远离数据集中其他数据点的极端值。

数据挖掘 2 2024-07-18