Анализ и уточнение классификации аномалий и выбросов на экономических данных

Автор: Видищева Е.В., Копырин А.С., Василенко М.С.

Журнал: Вестник Алтайской академии экономики и права @vestnik-aael

Рубрика: Экономические науки

Статья в выпуске: 6-1, 2019 года.

Бесплатный доступ

В эпоху информатизации интеллектуальный анализ данных применяется практически во всех сферах человеческой деятельности. Достоверность результатов интеллектуального анализа данных напрямую определяет качество внутренних и внешних процессов, снижает вероятность непредвиденных ситуаций, позволяет составлять точные модели процессов и делать реалистичные прогнозы. В связи с этим особую актуальность обретает обнаружение и нейтрализация отклонений в исходных данных. Данная работа посвящена изучению существующих классификаций аномалий и выбросов на данных экономического характера. На сегодняшний день научная база по исследованию интеллектуального анализа экономических данных крайне ограничена. В работе рассмотрены различные классификационные подходы к аномальным элементам в данных, приведены примеры выбросов на экономических данных и определена важность своевременного обнаружения и устранения выбросов для получения достоверного результата. Целью исследования является анализ существующей теоретической базы по интеллектуальному анализу данных и оценка возможности ее применения к данным экономического характера. В результате исследования были выявлены классификационные признаки и произведена группировка существующих классификаций. Анализ работ по исследуемой тематике также позволит дополнить научную базу новой классификационной группой.

Еще

Интеллектуальный анализ данных, аномалии, выбросы, экономические данные

Короткий адрес: https://sciup.org/142221337

IDR: 142221337

Список литературы Анализ и уточнение классификации аномалий и выбросов на экономических данных

  • Шкодырев В.П., Ягафаров К.И., Баштовенко В.А., Ильина Е.Э., Обзор методов обнаружения аномалий в потоках данных, 2017 . URL: https://docplayer.ru/58831564-Obzor-metodov-obnaruzheniya-anomaliy-v-potokah-dannyh.html (дата обращения: 13.05.2019).
  • Anscombe F.J., Rejection of outliers. Technometrics, 1960. Vol. 2, № 2, P. 123-147.
  • Bogart Zach, Robbins Joyce, Everything you need for Exploratory Data Analysis & Visualization, 2019-04-17. . URL: https://edav.info/outliers.html (дата обращения: 13.05.2019).
  • Chandola V., Banerjee A., Kumar V., Anomaly detection: A survey. ACM Computing Surveys, 2009. Vol. 41 (3), 58 p.
  • Foorthuis Ralph, A Typology of Data Anomalies. 7 International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems, Session on Fuzzy methods in Data Mining and Knowledge Discovery. Springer 2018, 13 p. . URL: https://tunguska.home.xs4all.nl/Publications/Docs/A %20Typology %20of %20Data %20Anomalies %20-%20Foorthuis %20-%20IPMU %202018.pdf (дата обращения: 16.05.2019).
  • Han Jiawei, Kamber Micheline, Pei Jian, Data Mining Concepts and Techniques: Third Edition. Published by Morgan Kaufmann, 2011 . URL: https://learning.oreilly.com/library/view/data-mining-concepts/9780123814791/(дата обращения: 16.05.2019).
  • Mints Alexey. Classification of tasks of data mining and data processing in the economy. Baltic Journal of Economic Studies, 2017. Vol. 3, № 3. P. 47-52.
  • Modi Krishna, Prof Oza Bhavesh, Outlier Analysis Approaches in Data Mining. International Journal Of Innovative Research In Technology, 2016. Vol. 3, Issue 7. P. 6-12.
  • Singh Karanjit, Upadhyaya Shuchita, Outlier Detection: Applications And Techniques. International Journal of Computer Science Issues, 2012. Vol. 9, Issue 1, № 3. P. 307-323.
  • Tolvi Jussi, Outliers in Eleven Finnish Macroeconomictime Series. Finnish Economic Papers, 2001. Vol. 14, № 1. P. 14-32.
Еще
Статья научная