改进的基于密度局部离群数据挖掘算法提升准确性

本文主要探讨了基于密度的局部离群数据挖掘方法的改进，针对传统算法存在的局限性，如对复杂数据分布的处理效率不高和准确性不足等问题。作者提出了一个创新的离群点检测算法，该算法结合了影响空间的概念，这是由基于影响空间的局部离群点检测（INFLO）算法所引入的，它强调了每个数据点对其周围环境的影响程度。 在计算离群因子时，作者借鉴了基于链接的离群点检测（COF）中的链式距离思想，提出了相似k距离邻居序列（SKDNS）方法。链式距离是一种连续的度量方式，能够更好地衡量数据点之间的关系，而SKDNS则利用这种连续性来更准确地确定一个数据点的离群程度，即其与k个最相似邻域的连接强度。 通过实验对比，新提出的算法在不同数据分布情况下表现出更高的离群挖掘准确性，尤其是在处理非均匀、高维或噪声密集的数据集时，明显优于传统的局部离群点检测算法如LOF（Local Outlier Factor）、INFLO和COF。这表明该算法不仅能有效地克服LOF算法中易受噪声影响和对异常模式识别不敏感的问题，还提升了局部离群数据挖掘的鲁棒性和多样性。 此外，论文作者王茜和刘书志分别来自重庆大学计算机学院，他们的研究领域包括网络安全、电子商务和数据挖掘，特别是离群数据挖掘。他们对离群值检测算法的改进，不仅提升了理论研究的深度，也为实际应用提供了更为精准和高效的工具，对于提升大数据分析中的异常检测能力具有重要意义。 这篇论文的重要贡献在于提出了一种新颖的离群数据挖掘算法，它通过融合影响空间和链式距离的概念，提高了离群因子计算的精确性，并在实证分析中显示出了优越的性能。这对于理解复杂数据集中的离群点，以及在诸如金融欺诈检测、网络入侵检测等领域具有显著的实际价值。