आउटलायर डिटेक्शन के तरीके
आउटलायर डिटेक्शन के विभिन्न तरीके निम्नलिखित हैं:
1. पर्यवेक्षित विधियां (Supervised Methods)
पर्यवेक्षित विधियां डेटा सामान्यता और असामान्यता को मॉडल करती हैं। डोमेन पेशेवर मूल डेटा के एक नमूने का परीक्षण और लेबल करते हैं। आउटलायर डिटेक्शन को एक क्लासिफिकेशन मुद्दे के रूप में मॉडल किया जा सकता है। सेवा एक क्लासिफायर को समझना है जो आउटलायर्स की पहचान कर सकता है।
नमूने का उपयोग प्रशिक्षण और परीक्षण के लिए किया जा सकता है। विभिन्न अनुप्रयोगों में, पेशेवर केवल सामान्य वस्तुओं को लेबल कर सकते हैं, और मॉडल से नहीं जुड़ने वाली कई वस्तुओं को आउटलायर्स के रूप में दर्ज किया जाता है। अलग-अलग विधियां आउटलायर्स को मॉडल करती हैं और आउटलायर्स के मॉडल से नहीं जुड़ने वाली वस्तुओं को सामान्य मानती हैं।
2. अनपर्यवेक्षित विधियां (Unsupervised Methods)
विभिन्न अनुप्रयोग विधियों में, "सामान्य" या "आउटलायर" के रूप में लेबल की गई वस्तुएं लागू नहीं होती हैं। इसलिए, एक अनपर्यवेक्षित अधिगम दृष्टिकोण का उपयोग किया जाना चाहिए। अनपर्यवेक्षित आउटलायर डिटेक्शन विधियां एक निहित धारणा बनाती हैं जैसे कि सामान्य वस्तुएं काफी "क्लस्टर्ड" हैं।
एक अनपर्यवेक्षित आउटलायर डिटेक्शन विधि भविष्यवाणी करती है कि सामान्य वस्तुएं आउटलायर्स की तुलना में कहीं अधिक बार एक पैटर्न का पालन करती हैं। सामान्य वस्तुओं को उच्च समानता साझा करने वाली एक टीम में गिरने की आवश्यकता नहीं है। इसके बजाय, वे कई समूह बना सकते हैं, जहां प्रत्येक समूह की कई विशेषताएं हैं।
यह धारणा कभी-कभी सही नहीं हो सकती। सामान्य वस्तुएं कुछ मजबूत पैटर्न नहीं भेजती हैं। बल्कि, वे समान रूप से वितरित हैं। सामूहिक आउटलायर्स, एक छोटे क्षेत्र में उच्च समानता साझा करते हैं।
अनपर्यवेक्षित विधियां ऐसे आउटलायर्स की कुशलतापूर्वक पहचान नहीं कर सकतीं। कुछ अनुप्रयोगों में, सामान्य वस्तुएं अलग-अलग वितरित होती हैं, और कई वस्तुएं मजबूत पैटर्न का पालन नहीं करती हैं। उदाहरण के लिए, कुछ घुसपैठ पहचान और कंप्यूटर वायरस पहचान मुद्दों में, सामान्य गतिविधियां अलग होती हैं और कुछ उच्च-गुणवत्ता वाले क्लस्टर्स में नहीं गिरती हैं।
कुछ क्लस्टरिंग विधियों को अनपर्यवेक्षित आउटलायर डिटेक्शन विधियों के रूप में सुविधा प्रदान करने के लिए अनुकूलित किया जा सकता है। मुख्य विचार पहले क्लस्टर्स की खोज करना है, और इसलिए उन क्लस्टर्स से संबंधित नहीं होने वाली डेटा वस्तुओं को आउटलायर्स के रूप में पहचाना जाता है। हालांकि, ऐसी विधियां दो मुद्दों से खराब होती हैं। पहला, किसी क्लस्टर से संबंधित नहीं होने वाली डेटा वस्तु आउटलायर के बजाय शोर हो सकती है। दूसरा, पहले क्लस्टर्स ढूंढना और फिर आउटलायर्स ढूंढना महंगा है।
3. अर्ध-पर्यवेक्षित विधियां (Semi-Supervised Methods)
कई अनुप्रयोगों में, हालांकि कुछ लेबल वाले उदाहरण प्राप्त करना संभव है, ऐसे लेबल वाले उदाहरणों की संख्या छोटी है। यह उन मामलों का सामना कर सकता है जहां केवल सामान्य और आउटलायर वस्तुओं का एक छोटा समूह लेबल किया गया है, लेकिन कुछ डेटा अनलेबल हैं। अर्ध-पर्यवेक्षित आउटलायर डिटेक्शन विधियों को ऐसे तरीकों से निपटने के लिए विकसित किया गया था।
अर्ध-पर्यवेक्षित आउटलायर डिटेक्शन विधियों को सेमी-सुपरवाइज्ड अधिगम दृष्टिकोण के अनुप्रयोगों के रूप में माना जा सकता है। उदाहरण के लिए, जब कुछ लेबल की गई सामान्य वस्तुएं सुलभ होती हैं, तो उन्हें अनलेबल वस्तुओं के साथ उपयोग किया जा सकता है जो पास हैं, सामान्य वस्तुओं के लिए एक मॉडल प्रशिक्षित करने के लिए। सामान्य वस्तुओं का मॉडल आउटलायर्स की पहचान करने के लिए उपयोग किया जाता है - वे वस्तुएं जो सामान्य वस्तुओं के मॉडल के अनुकूल नहीं हैं, उन्हें आउटलायर्स के रूप में परिभाषित किया जाता है।
