没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
5页
针对离群点检测算法LOF在高维离散分布数据集中检测精度较低及参数敏感性较高的问题,提出了基于邻域系统密度差异度量的离群点检测NSD(neighborhood system density difference)算法。相较于传统基于密度的离群点检测方法,NSD算法引入了截取距离的概念。首先计算数据集中对象在截取距离内的邻居点个数;其次计算对象的邻域系统密度;然后将对象的密度与它邻居的密度进行比较,判定目标对象与其邻居趋向于同一簇的程度;最后输出最可能是离群点的对象。将NSD算法与LOF、LDOF、CBOF算法在真实数据集与合成数据集中对比实验发现,NSD算法具有较高的检测准确率和执行效率以及较低的参数敏感性,证明了NSD算法是有效可行的。
资源推荐
资源评论
资源评论
- df5954204692023-07-26这篇文件提出了一种新颖的离群点检测算法,值得进一步研究和尝试应用。
- 普通网友2023-07-26尽管该文件在某些方面还存在一些局限性,但它对离群点检测领域的研究提供了一种新的思路和方法。
- 西西里的小裁缝2023-07-26作者的方法在实验中表现出良好的性能,具有一定的可行性和应用前景。
- 鸣泣的海猫2023-07-26通过对邻域系统密度差异的度量,该算法能够有效地检测出数据中的离群点,具有一定的实用价值。
- 苗苗小姐2023-07-26文章中的算法设计和实现思路简洁明了,不仅易于理解,而且在一些数据集上取得了不错的效果。
weixin_38551143
- 粉丝: 3
- 资源: 938
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功