Resumen

Ya existen varios enfoques para la detección de valores atípicos, en los que los métodos semisupervisados logran una superioridad alentadora debido a la introducción de conocimientos previos. En este artículo se propone una estrategia de detección semisupervisada de valores atípicos basada en la agrupación ponderada de características adaptativas. Este método maximiza el grado de pertenencia de un objeto normal etiquetado al clúster al que pertenece y minimiza los grados de pertenencia de un valor atípico etiquetado a todos los clústeres. Teniendo en cuenta la distinta importancia de las características o componentes de un conjunto de datos a la hora de determinar si un objeto es un inlier o un outlier, a cada característica se le asignan de forma adaptativa distintos pesos en función de los grados de desviación entre esta característica de todos los objetos y la de un determinado prototipo de cluster. Para verificar la eficacia y eficiencia de la propuesta, se llevan a cabo una serie de experimentos con un conjunto de datos sintéticos y varios conjuntos de datos del mundo real.

• Materias:Matemáticas Análisis Matemático Algebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:Detección de valores atípicos; métodos semisupervisados; agrupación ponderada adaptativa de características; conocimiento previo; grado de pertenencia; conjunto de datos.
• Keywords:Outlier detection; semisupervised methods; adaptive feature weighted clustering; prior knowledge; membership degree; dataset