विसंगति पहचान के मुद्दे क्या हैं?

विसंगति पहचान के विभिन्न मुद्दे

विसंगति पहचान के विभिन्न मुद्दे निम्नलिखित हैं:

1. विसंगति को परिभाषित करने के लिए उपयोग की जाने वाली विशेषताओं की संख्या

यह प्रश्न कि कोई ऑब्जेक्ट एक व्यक्तिगत विशेषता के आधार पर विसंगतिपूर्ण है या नहीं, इस प्रश्न का विषय है कि उस विशेषता के लिए ऑब्जेक्ट का मान विसंगतिपूर्ण है या नहीं। चूंकि एक ऑब्जेक्ट में कई विशेषताएं हो सकती हैं, इसमें कई विशेषताओं के लिए विसंगतिपूर्ण मान हो सकते हैं, लेकिन कई विशेषताओं के लिए सामान्य मान।

इसके अलावा, एक ऑब्जेक्ट विसंगतिपूर्ण हो सकता है भले ही उसके कोई विशेषता मान स्वतंत्र रूप से विसंगतिपूर्ण न हों। उदाहरण के लिए, दो फीट लंबे व्यक्ति (बच्चे) या 300 पाउंड वजन वाले व्यक्ति होना सामान्य है, लेकिन दो फीट लंबे व्यक्ति का 300 पाउंड वजन होना असामान्य है।

विसंगति का विवरण यह परिभाषित करना चाहिए कि कैसे कई विशेषताओं के मानों का उपयोग यह तय करने के लिए किया जाता है कि कोई ऑब्जेक्ट विसंगति है या नहीं। यह एक आवश्यक मुद्दा है जब डेटा की आयामिता बड़ी होती है।

2. वैश्विक बनाम स्थानीय परिप्रेक्ष्य (Global versus Local Perspective)

एक ऑब्जेक्ट सभी ऑब्जेक्ट्स के संबंध में असामान्य दिखाई दे सकता है, लेकिन अपने स्थानीय पड़ोस में ऑब्जेक्ट्स के संबंध में नहीं। उदाहरण के लिए, एक व्यक्ति जिसकी ऊंचाई 6 फीट 5 इंच है, सामान्य आबादी के संबंध में अत्यधिक लंबा है, लेकिन पेशेवर बास्केटबॉल खिलाड़ियों के संबंध में नहीं।

3. वह डिग्री जिससे एक पॉइंट विसंगति है (Degree to which a point is an Anomaly)

कुछ विधियों द्वारा एक ऑब्जेक्ट के विसंगति होने का आकलन एक बाइनरी फैशन में प्रलेखित किया जाता है: एक ऑब्जेक्ट विसंगति है या यह नहीं है। आम तौर पर, यह मूल वास्तविकता को प्रतिबिंबित नहीं करता कि कुछ ऑब्जेक्ट्स दूसरों की तुलना में अधिक तीव्र विसंगतियां हैं। इसलिए, विसंगति या आउटलेयर स्कोर कहलाने वाली उस डिग्री का आकलन करना दिलचस्प है जिससे एक ऑब्जेक्ट विसंगतिपूर्ण है।

4. एक समय में एक विसंगति की पहचान बनाम एक साथ कई विसंगतियां

कुछ दृष्टिकोणों में, विसंगतियों को एक समय में एक को समाप्त किया जाता है; यानी, सबसे विसंगतिपूर्ण उदाहरण को पहचाना और हटाया जाता है और फिर प्रक्रिया दोहराई जाती है। कई तकनीकों के लिए, विसंगतियों का एक समूह एक साथ पहचाना जाता है।

जो तकनीकें एक समय में एक विसंगति को पहचानने का प्रयास करती हैं, वे अक्सर मास्किंग नामक एक मुद्दे के अधीन होती हैं, जहां कई विसंगतियों की उपस्थिति सभी की उपस्थिति को छिपा देती है। दूसरे शब्दों में, तकनीकें जो एक साथ कई आउटलेयर्स की पहचान करती हैं, स्वैम्पिंग का अनुभव कर सकती हैं, जहां सामान्य ऑब्जेक्ट्स को आउटलेयर्स के रूप में परिभाषित किया जाता है। मॉडल-आधारित दृष्टिकोण में, ये प्रभाव दिखाई दे सकते हैं क्योंकि विसंगतियां डेटा मॉडल को बदल देती हैं।

5. दक्षता (Efficiency)

विभिन्न विसंगति पहचान योजनाओं की कम्प्यूटेशनल लागत में महत्वपूर्ण अंतर हैं। वर्गीकरण-आधारित योजनाओं को वर्गीकरण मॉडल बनाने के लिए आवश्यक संसाधनों की आवश्यकता हो सकती है, लेकिन आमतौर पर उपयोग करने के लिए सस्ती होती हैं। इसी तरह, सांख्यिकीय विधियां एक सांख्यिकीय मॉडल उत्पन्न करती हैं और एक तत्व को स्थिर समय में वर्गीकृत कर सकती हैं।