Mostrar código-fonte de Detecção de anomalias

{{Conceitos
|Sigla=DA
|Aplicações=Processamento de dados, Análise de Dados
|Conceitos relacionados=Dados, Anomalias, Mineração de Dados
}}

== Introdução ==

Embora as anomalias costumam ser consideradas erros ou ruídos, elas podem conter informação importante<ref name="Pang">Pang-Ning T, Steinbach M, Kumar V: Introduction to Data Mining. 2006.</ref><ref name="Maletic">Maletic JI, Marcus A: Data Mining and Knowledge Discovery Handbook. 2nd edition. Boston, MA: Springer US; 2010.</ref>, sendo assim, de forma a se obter uma análise coerente de uma observação, é crucial identificá-las antes da modelação de um algoritmo e da análise dos resultados.<ref name="Liu">Liu H, Shah S, Jiang W: On-line outlier detection and data cleaning. Comput Chem Eng 2004, 28:1635–1647.</ref><ref name="Williams">Williams G, Baxter R, Hawkins S: A comparative study of RNN for outlier detection in data mining. In 2002 IEEE International Conference on Data Mining, 2002. Proceedings.; 2002:709–712.</ref>.

A definição exata de uma anomalia depende geralmente de pressupostos inerentes à estrutura de dados e ao método aplicado para sua detecção:

* Hawkins (1980)<ref name="Hawkins">Hawkins D, Identification of Outliers, Chapman and Hall, 1980.</ref> “Uma observação que se desvia demasiadamente das outras observações ao ponto de levantar suspeitas de ter sido gerada por um mecanismo diferentes.”
* Johnson (1992)<ref name="Johnson ">Johnson R, Applied Multivariate Statistical Analysis. Prentice Hall, 1992.</ref> “Uma observação em uma série de dados em aparenta ser inconsistente com o restante daquela série de dados.”
* Barnett (1994)<ref name="Lewis ">Barnett V, Lewis T, Outliers in Statistical Data. JohnWiley, 1994.</ref> “A observação anómala, ou anomalia, é aquela que aparenta desviar-se marcadamente dos outros membros da amostra em que ela ocorre.”

Os métodos de detecção de anomalias tem sido utilizados em diversas aplicações, como detecção de fraude em cartões de crédito, irregularidade em eleições, limpeza de dados, invasão de redes, previsão de tempestades, detecção de anomalias em registos e análises médicas, detecção de tumores em imagens, e outras tarefas.

== Taxonomia dos métodos de detecção de anomalias ==

Os métodos de detecção de anomalias foram inicialmente divididos em métodos univariados e multivariados, sendo atualmente divididos em métodos paramétricos (estatísticos) e não-paramétricos (''model-free'').

Os métodos paramétricos ou assumem que existe alguma distribuição conhecida dos dados<ref name="Hawkins"/><ref name="Lewis"/><ref name="Rousseeuw">Rousseeuw PJ, Leroy AM: Robust Regression and Outlier Detection. Time 1987, 3:329.</ref>, ou tem como fundamentação a estimativa estatística de uma distribuição desconhecida<ref name="Hadi">Hadi AS: Identifying Multiple Outliers in Multivariate Data. Journal of the Royal Statistical Society. Series B (Methodological) 1992:761–771.</ref>. Tais métodos são na maioria das vezes impróprios para uma série de dados de grandes dimensões ou para série de dados sem qualquer conhecimento prévio de sua distribuição<ref name="Papadimitriou">Papadimitriou S, Kitagawa H, Gibbons PB, Faloutsos C: LOCI: Fast outlier detection using the local correlation integral. In Proceedings - International Conference on Data Engineering; 2003:315–326.</ref>.

Nos métodos não-paramétricos podemos evidenciar os métodos de data-mining, também chamados de métodos baseado em distância. Estes métodos geralmente baseiam-se em medidas de distâncias locais e são capazes de processar base de dados de grande volume<ref name="Knorr">Knorr E, Ng R, Tucakov V: Distance-based outliers: algorithms and applications. VLDB J Int J Very Large Data Bases 2000, 8:237–253.</ref>. Outro método de detecção de anomalias está fundamentado nas técnicas de agrupamento (''clustering'') onde grupos de pequenas dimensões podem ser considerados como anomalias.<ref name="Ramaswamy">Ramaswamy S, Rastogi R, Shim K: Efficient algorithms for mining outliers from large data sets. ACM SIGMOD Rec 2000, 29:427–438.</ref><ref name="Kaufman">Kaufman L, Kaufman L, Rousseeuw PJ, Rousseeuw PJ: Finding Groups in Data: An Introduction to Cluster Analysis (Wiley Series in Probability and Statistics). 2005.</ref>.

== Métodos paramétricos ==
Para a deteção de anomalias ou  outliers, pode ser usada uma abordagem paramétrica, que obriga ao conhecimento prévio do dataset e da respetiva distribuição.
=== Métodos estatísticos ===

== Métodos não-paramétricos ==

=== Métodos baseados na distância ===

Inicialmente proposto por Knorr & Ng (1997)<ref name="Knorr97">Knorr E, Ng R, ”A unified approach for mining outliers,” In Proceedings Knowledge Discovery KDD, 219-222, 1997.</ref>, tem como pressupostos que os dados normais tem uma vizinhança densa, e que as anomalias estão afastados dos seus vizinhos.

O modelo básico de Knorr & Ng considera que a observação é definida como uma anomalia (baseada em distância) se ao menos uma fração ''β'' das observações da série de dados está afastada para além de ''r''. Tal definição está baseada em um único critério global, determinado pelos parâmetros ''r'' e ''β''. Esta definição levanta algumas dificuldades como a determinação do valor de ''r'' e a falta de um ranking para as anomalias. Sua complexidade computacional é de ''<big>O(pn<sup>2</sup>)</big>'', onde ''p'' é o número de atributos e ''n'' o tamanho da amostra, sendo portanto inadequado para grandes séries de dados.

==== k-Vizinho mais Próximo (''k-Nearest Neighbor'': k-NN) ====

Proposta por Ramaswamy (2000)<ref name="Ramaswamy"/>, considera que as anomalias são as ''n'' observações que possuem as maiores distâncias ao seu ''k''-ésimo vizinho mais próximo. Uma deficiência deste método é que ele só considera a distância do ''k''-ésimo vizinho e ignora a informação das observações mais próximas. Uma alternativa também utilizada é obter a distância média dos ''k'' vizinhos mais próximos, com a desvantagem de levar mais tempo para ser calculado. Possui uma complexidade computacional variável dependendo do algoritmo de procura do vizinho mais próximo<ref name="Weber">Weber R, Schek HJ, Blott S: A Quantitative Analysis and Performance Study for Similarity-Search Methods in High-Dimensional Spaces. Proc 24th VLDB Conf 1998, New York C:194–205.</ref>.

==== Fator de Anomalia Local (''Local Outlier Factor'': LOF )====

=== Métodos baseados em densidade ===

==== Fator de Anomalia Local Baseado em Aglomerados (''Cluster-Based Local Outlier Factor'': CBLOF) ====

==== Densidade Local do Fator de Anomalia Baseado em Aglomerados (''Local Density Cluster-Based Outlier Factor'': LDCOF) ====

== Referências ==

<references/>