D. Outlier DetectionOutlier detecti

D. Outlier Detection
Outlier detection discovers data points that are
significantly different than the rest of the data [8]. In educational data mining outlier analysis can be used to detect students with learning problems [9]. In this paper, we used outlier analysis to detect outliers in the student data. Two outlier methods are used which are Distance-based Approach and Density-Based Approach.
1) Distance-based Approach
It Identifies the number of outliers in the given data set based on the distance to their k nearest neighbors, and the result of applying this method is to flag the records either to be outlier
or not, with true or false [6].
Figure 8 depicts a graphical representation of the outliers distribution with the red color after applying Single Value Decomposition method, which reduces the number of attributes to two in order to easily plot the outliers. The system detected 10 outliers in our data, by studying and checking some of the 10 outlier points, we found that outliers are not errors but rather it represents a rare event,
for example some of the outlier points are students with excellent degree in the matriculation GPA and also with excellent degree in the college which are different than the rest
of the students in The graduate students data set and they are few students.
2) Density-Based Approach
It Computes local densities of particular regions and
declare instances in low density regions as potential outliers.
The method used is Local Outlier Factor (LOF), the Basic idea of LOF is to compare the local density of a point with the densities of its neighbors, and the result of applying this
method is to flag the records with a percentage of outlier. The larger score means larger possibility of being outlier [6].
Figure 9 depicts a graphical representation of the outliers after applying Single Value Decomposition method. Figure 9: Outliers (LOF) distribution plot with SVD applied.
For each case, the college management can look at the outlier behavior of the student and try to find and understand why the irregularity happened and then analyzed for knowing
the cause.

ผลลัพธ์ (ไทย) 1:

D. outlier ตรวจOutlier ตรวจพบจุดข้อมูลที่อย่างมีนัยสำคัญแตกต่างกันกว่าส่วนเหลือของข้อมูล [8] ในข้อมูลศึกษาเหมือง outlier สามารถใช้วิเคราะห์เพื่อตรวจหานักเรียนเรียนรู้ปัญหา [9] ในเอกสารนี้ เราใช้วิเคราะห์ outlier ตรวจ outliers ข้อมูลนักเรียน สอง outlier วิธีใช้ซึ่งเป็นวิธีที่ใช้ระยะทางและตามความหนาแน่น1) วิธีที่ระยะห่างตามจะระบุหมายเลขของ outliers ในชุดข้อมูลกำหนดตามระยะห่างต้องการ k ใกล้บ้าน และเป็นผลของการใช้วิธีนี้เพื่อ ตั้งค่าสถานะเรกคอร์ดที่อาจมี outlierหรือไม่ มีจริงหรือไม่ [6]รูปที่ 8 แสดงให้เห็นภาพของกระจาย outliers สีแดงหลังจากการใช้วิธีแยกส่วนประกอบค่าเดียว ซึ่งลดจำนวนคุณลักษณะสองการพล็อต outliers ง่าย ระบบตรวจพบ 10 outliers ในข้อมูล โดยศึกษา และตรวจสอบของ outlier คะแนน 10 เราพบว่า outliers ไม่ผิด แต่จะ แสดงเหตุการณ์ที่หายากตัวอย่าง ของ outlier คะแนนมีนักเรียน กับเตรียมอุดมศึกษาเกรดเฉลี่ยปริญญาแห่ง และ มีวิทยาลัยแห่งปริญญาซึ่งแตกต่างจากส่วนเหลือของนักเรียนในการศึกษา กำหนดและพวกเขามีนักเรียนน้อย 2) วิธีที่ความหนาแน่นขึ้นมันจะแน่นท้องถิ่นของภูมิภาคใด และประกาศอินสแตนซ์ในภูมิภาคความหนาแน่นต่ำเป็น outliers เป็นไปได้วิธีการที่ใช้ปัจจัย Outlier ถิ่น (LOF) ความคิดพื้นฐานของ LOF เป็นการ เปรียบเทียบความหนาแน่นเฉพาะจุดที่ มีความหนาแน่นของของเพื่อนบ้าน และผลของการใช้นี้วิธีคือการ ตั้งค่าสถานะเรกคอร์ดที่ มีเปอร์เซ็นต์ของ outlier คะแนนใหญ่หมายถึง ความเป็นไปได้ใหญ่เป็น outlier [6]รูปที่ 9 แสดงให้เห็นภาพของ outliers หลังจากใช้วิธีแยกส่วนประกอบค่าเดียว รูปที่ 9: แผนแจกจ่าย Outliers (LOF) กับ SVD ใช้สำหรับแต่ละกรณี การบริหารวิทยาลัยสามารถดูลักษณะการทำงานของ outlier ของนักเรียน และพยายามค้นหา และเข้าใจเหตุผิดปกติของการเกิดขึ้นแล้ว วิเคราะห์ความรู้สาเหตุ

ผลลัพธ์ (ไทย) 2:

D. ขอบเขตการตรวจสอบ
ขอบเขตการตรวจสอบพบจุดข้อมูลที่มีความ
แตกต่างกันอย่างมีนัยสำคัญกว่าส่วนที่เหลือของข้อมูล [8] ในการศึกษาข้อมูลการวิเคราะห์ขอบเขตการทำเหมืองแร่สามารถนำมาใช้ในการตรวจสอบนักเรียนที่มีปัญหาการเรียนรู้ [9] ในบทความนี้เราใช้การวิเคราะห์ค่าผิดปกติในการตรวจสอบค่าผิดปกติในข้อมูลนักเรียน สองวิธีค่าผิดปกติจะมีการใช้วิธีการที่มีระยะทางที่ใช้และความหนาแน่นตามวิธี.
1) วิธีการระยะทางที่ใช้
มันระบุจำนวนค่าผิดปกติในชุดข้อมูลที่ได้รับขึ้นอยู่กับระยะทางไปยังเพื่อนบ้านที่ใกล้ที่สุด k ของพวกเขาและผลของการใช้นี้ วิธีการคือการบันทึกธงอย่างใดอย่างหนึ่งที่จะเป็นค่าผิดปกติ
หรือไม่มีจริงหรือเท็จ [6].
รูปที่ 8 แสดงให้เห็นว่าการแสดงกราฟิกของการกระจายค่าผิดปกติที่มีสีแดงหลังจากการใช้วิธีการสลายมูลค่าเดี่ยวซึ่งจะช่วยลดจำนวนของคุณลักษณะที่สอง เพื่อให้ง่ายต่อการพล็อตค่าผิดปกติ ระบบตรวจพบ 10 ค่าผิดปกติในข้อมูลของเราโดยการศึกษาและการตรวจสอบบางส่วนของ 10 คะแนนค่าผิดปกติเราพบว่าค่าผิดปกติไม่ได้ข้อผิดพลาด แต่มันหมายถึงเหตุการณ์ที่หายาก
เช่นบางส่วนของจุดที่มีค่าผิดปกตินักเรียนที่มีระดับที่ยอดเยี่ยมในการบวช เกรดเฉลี่ยและยังมีการศึกษาระดับปริญญาที่ดีเยี่ยมในวิทยาลัยที่มีความแตกต่างจากส่วนที่เหลือ
ของนักเรียนนักศึกษาระดับบัณฑิตศึกษาข้อมูลการตั้งค่าและพวกเขาจะมีนักเรียนไม่กี่.
2) วิธีการตามความหนาแน่นของ
มันคำนวณความหนาแน่นของท้องถิ่นภูมิภาคและโดยเฉพาะอย่างยิ่ง
กรณีประกาศในภูมิภาคความหนาแน่นต่ำ เป็นค่าผิดปกติที่อาจเกิดขึ้น.
วิธีการที่ใช้เป็นปัจจัยขอบเขตท้องถิ่น (LOF) ความคิดพื้นฐานของ LOF คือการเปรียบเทียบความหนาแน่นในท้องถิ่นของจุดที่มีความหนาแน่นของประเทศเพื่อนบ้านของตนและผลของการใช้นี้
วิธีการคือการบันทึกธงด้วย ร้อยละของค่าผิดปกติ คะแนนขนาดใหญ่หมายถึงความเป็นไปได้ที่มีขนาดใหญ่ของการเป็นค่าผิดปกติ [6].
รูปที่ 9 แสดงให้เห็นว่าการแสดงกราฟิกของค่าผิดปกติหลังจากการใช้วิธีการสลายมูลค่าเดี่ยว รูปที่ 9: ค่าผิดปกติ (LOF) พล็อตที่มีการกระจายการใช้ SVD.
สำหรับแต่ละกรณีวิทยาลัยการจัดการสามารถดูพฤติกรรมของค่าผิดปกติของนักเรียนและพยายามที่จะค้นหาและเข้าใจว่าทำไมความผิดปกติที่เกิดขึ้นและการวิเคราะห์แล้วสำหรับการทราบ
สาเหตุ

ผลลัพธ์ (ไทย) 3:

D . การตรวจหาค่าค่า

ได้ข้อมูลจุดที่แตกต่างจากส่วนที่เหลือของข้อมูล [ 8 ] ในการศึกษาการทำเหมืองข้อมูลการวิเคราะห์ค่าสามารถใช้ตรวจหานักเรียนที่มีปัญหาการเรียน [ 9 ] ในกระดาษนี้เราใช้ในการวิเคราะห์เพื่อตรวจสอบค่าผิดปกติในข้อมูลนักเรียน สองค่าใช้วิธีซึ่งมีระยะห่างตามแนวทางและวิธีการตามความหนาแน่น
1 ) ระยะทางจากวิธีการ
จะระบุจำนวนผิดปกติได้รับในชุดข้อมูลตามระยะทางของ K เพื่อนบ้านที่ใกล้ที่สุด และผลของการใช้วิธีนี้คือธงบันทึกให้เป็นค่า
หรือ ไม่ กับ จริง หรือ เท็จ [ 6 ] .
รูปที่ 8 แสดงให้เห็นการแสดงกราฟิกของ เมื่อการกระจายที่มีสีแดงหลังจากการใช้วิธีการสลายตัวค่าเดียวซึ่งจะช่วยลดจำนวนของแอตทริบิวต์สองเพื่อที่จะแปลงได้อย่างง่ายดายระดับ . ระบบตรวจพบข้อมูลผิดปกติใน 10 ของเรา ศึกษาและตรวจสอบค่าของ 10 คะแนน พบว่า ค่าผิดปกติไม่ใช่ข้อผิดพลาด แต่มันเป็นเหตุการณ์ที่หายาก ,
ตัวอย่างบางส่วนของค่าคะแนนนักเรียนที่มีระดับผลการเรียนยอดเยี่ยมในการบวช และยอดเยี่ยม ในระดับมหาวิทยาลัย ซึ่งจะแตกต่างจากส่วนที่เหลือ
ของนักศึกษาระดับบัณฑิตศึกษาชุดข้อมูลและพวกเขาเป็นนักเรียนน้อย
2 ) ความหนาแน่นตามวิธีการคำนวณความหนาแน่นของภูมิภาคท้องถิ่นมัน

โดยเฉพาะ และประกาศกรณีในพื้นที่ความหนาแน่นต่ำอย่างผิดปกติที่อาจเกิดขึ้น วิธีการที่ใช้เป็นปัจจัยค่า
ท้องถิ่น ( ลอฟ ) แนวคิดพื้นฐานของลอฟเพื่อเปรียบเทียบความหนาแน่นท้องถิ่นของจุดที่มีความหนาแน่นของประเทศเพื่อนบ้าน และผลของการใช้วิธีนี้
คือธงประวัติกับเปอร์เซ็นต์ของค่า . มีคะแนนหมายถึงความเป็นไปได้ขนาดใหญ่ถูกค่า
[ 6 ]รูปที่ 9 แสดงให้เห็นถึงการเป็นตัวแทนของค่าผิดปกติหลังจากการใช้วิธีการสลายตัวค่าเดียว รูปที่ 9 : ผิดปกติ ( ลอฟ ) การพล็อตกับ SVD ใช้ .
สำหรับแต่ละกรณีการจัดการวิทยาลัยสามารถดูค่าพฤติกรรมของนักเรียน และพยายามที่จะค้นหา และเข้าใจถึงความผิดปกติที่เกิดขึ้น แล้วนำข้อมูลมาวิเคราะห์เพื่อทราบ
สาเหตุ