ประเภทของค่าผิดปกติในการทำเหมืองข้อมูล
มีหลายประเภทของค่าผิดปกติในการทำเหมืองข้อมูล ดังนี้:
1. ค่าผิดปกติทั่วไป (Global Outliers)
ในชุดข้อมูลที่กำหนด วัตถุข้อมูลเป็นค่าผิดปกติทั่วไป หากมันเบี่ยงเบนอย่างมีนัยสำคัญจากชุดข้อมูลส่วนที่เหลือ ค่าผิดปกติทั่วไปรู้จักในชื่อ Point Anomalies และเป็นประเภทที่ง่ายที่สุดของค่าผิดปกติ วิธีการตรวจจับค่าผิดปกติส่วนใหญ่มุ่งเน้นไปที่การค้นพบค่าผิดปกติทั่วไป
เพื่อระบุค่าผิดปกติทั่วไป ประเด็นสำคัญคือการค้นหาการวัดการเบี่ยงเบนที่เหมาะสมเกี่ยวกับแอปพลิเคชันที่เกี่ยวข้อง มีหลายการวัดที่เสนอมา และขึ้นอยู่กับเหล่านี้ วิธีการตรวจจับค่าผิดปกติถูกแบ่งออกเป็นหลายหมวดหมู่
การตรวจจับค่าผิดปกติทั่วไปสำคัญในหลายแอปพลิเคชัน พิจารณาการตรวจจับการบุกรุกในเครือข่ายคอมพิวเตอร์ ตัวอย่างเช่น หากพฤติกรรมการสื่อสารของคอมพิวเตอร์แตกต่างจากรูปแบบปกติ (เช่น จำนวนแพ็กเกจจำนวนมากส่งในเวลาสั้น) พฤติกรรมนี้สามารถถือเป็นค่าผิดปกติทั่วไป และคอมพิวเตอร์ที่เกี่ยวข้องเป็นเหยื่อที่น่าจะถูกแฮก
2. ค่าผิดปกติเชิงบริบท (Contextual Outliers)
ค่าผิดปกติเชิงบริบท เรียกอีกอย่างว่า Conditional Outliers ประเภทนี้เกิดขึ้น หากวัตถุข้อมูลเบี่ยงเบนจากจุดข้อมูลอื่นๆ เนื่องจากเงื่อนไขเฉพาะเจาะจงบางอย่างในชุดข้อมูลที่กำหนด
มีสองประเภทของแอตทริบิวต์ของวัตถุข้อมูล ได้แก่ แอตทริบิวต์เชิงบริบท (Contextual Attributes) และ แอตทริบิวต์เชิงพฤติกรรม (Behavioral Attributes) การวิเคราะห์ค่าผิดปกติเชิงบริบท อนุญาตให้ผู้ใช้ระบุค่าผิดปกติในบริบทและเงื่อนไขต่างๆ ซึ่งอาจมีประโยชน์ในหลายแอปพลิเคชัน
ในแอตทริบิวต์เชิงพฤติกรรม สามารถแสดงลักษณะเฉพาะของวัตถุ และใช้คำนวณว่าวัตถุเป็นค่าผิดปกติในบริบทที่มันเข้าใจหรือไม่ ในตัวอย่างอุณหภูมิ แอตทริบิวต์เชิงพฤติกรรมอาจเป็น อุณหภูมิ, ความชื้น, และความดัน
ค่าผิดปกติเชิงบริบทเป็นการทั่วไป (Generalization) ของค่าผิดปกติท้องถิ่น (Local Outliers) แนวคิดที่นำเสนอในวิธีการวิเคราะห์ค่าผิดปกติแบบอิงความหนาแน่น (Density-based Outlier Analysis) วัตถุในชุดข้อมูลเป็นค่าผิดปกติท้องถิ่น หากความหนาแน่นของมันเบี่ยงเบนอย่างมีนัยสำคัญจากพื้นที่ท้องถิ่นที่มันปรากฏ
การตรวจจับค่าผิดปกติทั่วไป สามารถมองเป็นกรณีพิเศษของการตรวจจับค่าผิดปกติเชิงบริบท ที่ชุดของแอตทริบิวต์เชิงบริบทเป็นว่างเปล่า (Null) กล่าวอีกนัยหนึ่ง การตรวจจับค่าผิดปกติทั่วไป ใช้ชุดข้อมูลทั้งหมดเป็นบริบท การวิเคราะห์ค่าผิดปกติเชิงบริบท ให้ความยืดหยุ่นแก่ผู้ใช้ ในที่ที่สามารถระบุค่าผิดปกติในบริบทหลายอย่าง ซึ่งอาจพึงประสงค์ในหลายแอปพลิเคชัน
3. ค่าผิดปกติร่วมกัน (Collective Outliers)
ในชุดข้อมูลที่กำหนด เมื่อชุดของจุดข้อมูลเบี่ยงเบนจากชุดข้อมูลส่วนที่เหลือ เรียกว่า ค่าผิดปกติร่วมกัน (Collective Outliers) ดังนั้น ชุดข้อมูลเฉพาะเจาะจงอาจไม่ใช่ค่าผิดปกติ แต่เมื่อพิจารณาวัตถุข้อมูลเป็นจำนวนมาก พวกมันสามารถทำหน้าที่เป็นค่าผิดปกติได้
เพื่อรับรู้ประเภทของค่าผิดปกติหลายประเภท จำเป็นต้องผ่านข้อมูลพื้นหลังเกี่ยวกับความสัมพันธ์ระหว่างพฤติกรรมของค่าผิดปกติที่แสดงโดยวัตถุข้อมูลหลายชิ้น
