Outlier Ensembles: An Introduction

این کتاب انواع روش‌ها را برای مجموعه‌های پرت مورد بحث قرار می‌دهد و آنها را بر اساس اصول خاصی که با آن بهبود دقت به دست می‌آید سازمان‌دهی می‌کند. علاوه بر این، تکنیک هایی را پوشش می دهد که با آنها می توان چنین روش هایی را مؤثرتر کرد. یک طبقه بندی رسمی از این روش ها ارائه شده است و شرایطی که در آن به خوبی کار می کنند بررسی می شود. نویسندگان چگونگی ارتباط مجموعه‌های پرت (هم از لحاظ نظری و هم از نظر عملی) با تکنیک‌های مجموعه‌ای که معمولاً برای سایر مشکلات داده‌کاوی مانند طبقه‌بندی استفاده می‌شوند را پوشش می‌دهند. شباهت‌ها و تفاوت‌های (ظریف) در تکنیک‌های مجموعه برای طبقه‌بندی و مشکلات تشخیص پرت بررسی می‌شوند. این تفاوت‌های ظریف بر طراحی الگوریتم‌های مجموعه برای مسئله دوم تأثیر می‌گذارد. از این کتاب می توان برای دروس داده کاوی و برنامه های درسی مرتبط استفاده کرد. مثال‌ها و تمرین‌های توضیحی زیادی به منظور تسهیل تدریس در کلاس ارائه شده است. آشنایی با مسئله تشخیص پرت و همچنین با مسئله عمومی تحلیل مجموعه در طبقه بندی فرض شده است. این به این دلیل است که بسیاری از روش‌های مجموعه مورد بحث در این کتاب اقتباس‌هایی از همتایان خود در حوزه طبقه‌بندی هستند. برخی از تکنیک‌های توضیح‌داده‌شده در این کتاب، مانند تکان دادن، وزن‌دهی تصادفی ویژگی‌ها، و نمونه‌گیری فرعی هندسی، بینش‌های جدیدی را ارائه می‌دهند که در جای دیگر در دسترس نیستند. همچنین شامل تجزیه و تحلیل عملکرد انواع مختلف آشکارسازهای پایه و اثربخشی نسبی آنها است. این کتاب برای محققان و متخصصان به دلیل استفاده از روش‌های مجموعه در طراحی الگوریتمی بهینه ارزشمند است.

This book discusses a variety of methods for outlier ensembles and organizes them by the specific principles with which accuracy improvements are achieved. In addition, it covers the techniques with which such methods can be made more effective. A formal classification of these methods is provided, and the circumstances in which they work well are examined. The authors cover how outlier ensembles relate (both theoretically and practically) to the ensemble techniques used commonly for other data mining problems like classification. The similarities and (subtle) differences in the ensemble techniques for the classification and outlier detection problems are explored. These subtle differences do impact the design of ensemble algorithms for the latter problem. This book can be used for courses in data mining and related curricula. Many illustrative examples and exercises are provided in order to facilitate classroom teaching. A familiarity is assumed to the outlier detection problem and also to generic problem of ensemble analysis in classification. This is because many of the ensemble methods discussed in this book are adaptations from their counterparts in the classification domain. Some techniques explained in this book, such as wagging, randomized feature weighting, and geometric subsampling, provide new insights that are not available elsewhere. Also included is an analysis of the performance of various types of base detectors and their relative effectiveness. The book is valuable for researchers and practitioners for leveraging ensemble methods into optimal algorithmic design.