Unsupervised anomaly detection algorithms

Verilerdeki aykırı değerlerin veya diğer bir deyişle anomalilerin tespit edilmesi veri analizinde büyük önem taşımaktadır. Anomali tespitinde probleme göre farklı yaklaşımlar kullanılabilir. Denetimsiz anomali tespiti (DAT), bu yaklaşımlar içerisinde en zorlu olanıdır. DAT yöntemleri etiketli bir eğitim kümesi kullanmadan anomalileri belirlemeyi hedefler. DAT algoritmaları, en yakın komşuluk tabanlı, kümeleme tabanlı ve istatistiksel tabanlı olmak üzere üç ana başlık altında incelenebilir. Bu tezde, DAT yaklaşımı incelenmiş ve istatistiksel tabanlı HBOS algoritması için örneklem genişliğine duyarlı bir düzeltme önerisinde bulunulmuştur. Uygulamanın ilk bölümünde yaygın olarak kullanılan, k en yakın komşu (k-NN), yerel aykırı değer (LOF), yerel yoğunluk kümeleme aykırı değer (LDCOF), ve histogram tabanlı aykırı değer skoru (HBOS) algoritmalarının performansları karşılaştırılmıştır. Elde edilen sonuçlara göre, HBOS algoritması doğruluk oranı ve çalışma süresi açısından daha başarılı bulunmuştur. Uygulamanın ikinci bölümünde farklı kutu genişliği belirleme tekniklerinin HBOS algoritmasının performansına etkileri araştırılmıştır. Farklı özelliklerde seçilen çok değişkenli veriler ile yapılan karşılaştırma sonuçlarına göre doğruluk oranı açısından kutu genişliği belirleme teknikleri arasında üstünlük saptanamamıştır.