Neraksturīgu vērtību noteikšana datu kopā ar vienvirziena vairākslāņu neirona tīklu

Abstract

Lai gan neraksturīgu vērtību noteikšana datu kopā ir zināma problēma kopš 19.gadsimta, lielākai daļai izstrādāto metožu ir specifisks pielietojums kādā jomā. Lai atrastu neraksturīgus novērojumus daudzdimensionālā datu kopā, bakalaura darbā tiek aprakstīta uz neironu tīkliem balstīta pieeja, kas darbojas, izmantojot atgriezenisko izplatīšanās algoritmu. Bieži vien neraksturīgu vērtību esamība datos var novest pie izšķirošām sekām, tomēr no tā var izvairīties, veicot datu analīzi, kuras rezultātā tiek noteikta potenciāli kritiska informācija, ko ietver datu kopā esošās neraksturīgās vērtības. Rezultāti, kas iegūti, izstrādājot četrus modeļus uz trīs dažādām datu kopām, norāda, ka metodei, kurā izmanto tikai sagaidāmās vērtības, ir augstāka veiktspēja par metodi, kurā iepriekš definē neraksturīgas vērtības.

Although the challenges of anomaly detection have been known since the 19th century, most of the techniques have been specially developed for certain application fields. This bachelor thesis describes a neural network based approach powered by a back-propagation algorithm to detect anomalous observations in a multi-dimensional data set. The motivation of anomaly detection is the critical information which can be obtained since often existence of anomalous observations implies crucial consequences. Furthermore, results gained by developing four models applied on three different data sets indicates that the method of using only normal instances outperforms the method of labeling anomalous and normal observations.