行业分类-物理装置-一种基于子空间的离群点检测算法.zip

小结 本章主要根据数据挖掘的应用分类，重点介绍了对应的数据挖掘建模方 法及实现过程。通过对本章的学习，可在以后的数据挖掘过程中采用适 当的算法并按所陈述的步骤实现综合应用，更希望本章能给读者一些启 发，思考如何改进或创造更好的挖掘算法。 归纳起来，数据挖掘技术的基本任务主要体现在分类与预测、聚类、关 联规则、时序模式、离群点检测五个方面。 5.1分类与回归主要介绍了决策树和人工神经网络两个分类模型、回归分 析预测模型及其实现过程； 5.2聚类分析主要介绍了K-Means聚类算法，建立分类方法按照接近程度 对观测对象给出合理的分类并解释类与类之间的区别； 小结 5.3关联规则主要介绍了Apriori算法，以在一个数据集中找出各项之间的 关系； 5.4时序模式从序列的平稳性和非平稳型出发，对平稳时间序列主要介绍 了ARMA模型，对差分平稳序列建立了ARIMA模型，应用这两个模型对 相应的时间序列进行研究，找寻变化发展的规律，预测将来的走势； 5.5离群点检测主要介绍了基于模型和离群点的检测方法，是发现与大部 分其他对象显著不同的对象。 前5章是数据挖掘必备的原理知识，并为本书后面章节的案例理解和实验 操作奠定了理论基础。

用C++实现机器学习的LOF算法进行离群点检测。类中lof.LOFclassification(feadata,5,0.90,labels);第一个参数为特征矩阵，第二个参数是lof中点的个数，第三个参数为正常点的比例，第四个参数为输出的分类结果。

LOF离群点算法，可用，有备注。

可直接输出离群点编号信息，使用一维数据~

数据挖掘中离群点检测最权威数据集，收集自国外大学网站，最权威，最完整，无论是做聚类、离群点检测、分类，皆可使用。共包括大约30个数据集。

看CSDN这里没有人分享，就从Github上搬过来了，侵删 Summary: Calculates local outlier factor for each sample in test dataset according to training data Notes: It is assumed that data is normalized appropriately and categorical features in data are converted to continuous values. Please see functions under dataset folder for this purpose.

基于信息熵的邻域相关离群点检测方法

基于残差分析的离群点检测算法，适用具有线性回归关系的二维数据，可以对数据中的离群点进行有效剔除检测。

用matlab编程实现对数据离群点的检测，有数据源