आउटलायर्स (Outliers) क्या हैं?
एक आउटलायर एक डेटा वस्तु है जो वस्तुओं के बाकी हिस्सों से अनिवार्य रूप से भिन्न होती है, जैसे कि यह कई तंत्र द्वारा उत्पादित की गई हो। प्रस्तुति में आसानी के लिए, उन डेटा वस्तुओं को जो आउटलायर नहीं हैं, उन्हें "सामान्य" या अपेक्षित जानकारी के रूप में परिभाषित किया जा सकता है। आमतौर पर, आउटलायर्स को "असामान्य" डेटा के रूप में परिभाषित किया जा सकता है।
आउटलायर्स बनाम शोर
आउटलायर्स शोर जानकारी से अलग हैं। शोर एक गणना चर में यादृच्छिक बग या विचरण है। सामान्य तौर पर, शोर डेटा विश्लेषण में दिलचस्प नहीं है, जैसे आउटलायर डिटेक्शन।
उदाहरण के लिए, क्रेडिट कार्ड धोखाधड़ी पहचान में, एक उपयोगकर्ता का खरीद व्यवहार एक यादृच्छिक चर के रूप में मॉडल किया जा सकता है। एक उपयोगकर्ता कुछ "शोर लेनदेन" कर सकता है जो "यादृच्छिक त्रुटियों" या "विचरण" की तरह देख सकते हैं, जिसमें एक दिन बड़ा लंच खरीदना, या सामान्य से एक कप अधिक कॉफी प्राप्त करना शामिल है।
ऐसे लेनदेन को आउटलायर्स नहीं माना जाना चाहिए; इसलिए, क्रेडिट कार्ड कंपनी उन लेनदेन को सत्यापित करने से बड़ी लागत वहन कर सकती है। कंपनी कई झूठे अलार्म से परेशान करके उपयोगकर्ताओं को भी खो सकती है। कई डेटा विश्लेषण और डेटा माइनिंग सेवाओं के रूप में, आउटलायर डिटेक्शन से पहले शोर को समाप्त किया जाना चाहिए।
वास्तविक दुनिया के डेटाबेस में आउटलायर्स
कुछ वास्तविक-विश्व डेटाबेस में आउटलायर्स या लापता, अनाम, या गलत डेटा होते हैं। कुछ क्लस्टरिंग एल्गोरिदम ऐसे डेटा पर तीव्र होते हैं और खराब गुणवत्ता के क्लस्टर्स का कारण बन सकते हैं।
आउटलायर्स का महत्व
आउटलायर्स दिलचस्प हैं क्योंकि उन्हें शेष डेटा के समान तंत्र द्वारा नहीं बनाए जाने का संदेह है। इसलिए, आउटलायर डिटेक्शन में, यह पहचानना आवश्यक है कि पहचाने गए आउटलायर्स कई तंत्रों द्वारा क्यों उत्पादित किए गए हैं।
यह शेष जानकारी पर विभिन्न धारणाएं बनाकर और यह दिखाकर हासिल किया जाता है कि पहचाने गए आउटलायर्स उन धारणाओं का अनिवार्य रूप से उल्लंघन करते हैं। आउटलायर डिटेक्शन नवीनता पहचान से भी जुड़ा हुआ है जिसमें डेटा सेट शामिल हैं। उदाहरण के लिए, एक सोशल मीडिया वेबसाइट को देखकर जहां नई सामग्री आ रही है, नवीनता पहचान नए विषयों और रुझानों को समय पर पहचान सकती है।
नए विषय मूल रूप से आउटलायर्स के रूप में प्रकट हो सकते हैं। आउटलायर डिटेक्शन और नवीनता पहचान मॉडलिंग और पहचान दृष्टिकोण में कुछ समानता साझा करते हैं। लेकिन दोनों के बीच एक महत्वपूर्ण अंतर यह है कि नवीनता पहचान में, एक बार नए विषयों की पुष्टि हो जाने पर, उन्हें आमतौर पर सामान्य व्यवहार के मॉडल में एकीकृत किया जाता है ताकि अनुवर्ती उदाहरणों को अब आउटलायर्स नहीं माना जाए।
