Full metadata record
| DC pole | Hodnota | Jazyk |
|---|---|---|
| dc.contributor.author | Šedivá, Blanka | |
| dc.contributor.author | Ťoupal, Tomáš | |
| dc.date.accessioned | 2020-09-14T10:00:20Z | - |
| dc.date.available | 2020-09-14T10:00:20Z | - |
| dc.date.issued | 2020 | |
| dc.identifier.citation | ŠEDIVÁ, B., ŤOUPAL, T. Outlier detection techniques in multidimensional datasets. In: 19th Conference on Applied Mathematics, APLIMAT 2020 - Proceedings. Bratislava: SPEKTRUM STU, 2020. s. 942-948. ISBN 978-80-227-4983-1. | en |
| dc.identifier.isbn | 978-80-227-4983-1 | |
| dc.identifier.uri | 2-s2.0-85082399537 | |
| dc.identifier.uri | http://hdl.handle.net/11025/39652 | |
| dc.description.abstract | Odlehlá pozorování mohou mít významný vliv na získané výsledky analýz dat napříč všem typům prováděných analýz. Identifikace odlehlých pozorování v souborech vícerozměrných dat je proto jedním z klíčových přístupů v předzpracování dat. V uvedeném článku je obsaženo několik jednorozměrných a vícerozměrných metod pro identifikaci odlehlých pozorování. | cs |
| dc.format | 7 s. | cs |
| dc.format.mimetype | application/pdf | |
| dc.language.iso | en | en |
| dc.publisher | SPEKTRUM STU | cs |
| dc.relation.ispartofseries | 19th Conference on Applied Mathematics, APLIMAT 2020 - Proceedings | en |
| dc.rights | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. | cs |
| dc.rights | © SPEKTRUM STU | en |
| dc.subject | Odlehlá pozorování, vícerozměrná data | cs |
| dc.title | Outlier detection techniques in multidimensional datasets | en |
| dc.title.alternative | Techniky detekce odlehlých pozorování ve vícerozměrných datových souborech | cs |
| dc.type | konferenční příspěvek | cs |
| dc.type | conferenceObject | en |
| dc.rights.access | restrictedAccess | en |
| dc.type.version | publishedVersion | en |
| dc.description.abstract-translated | Outliers can significantly impact data summarization results and data analysis across all types of data analysis. Identifying outliers in multidimensional data is, therefore, one of the key approaches in data preprocessing. across all types of data analysis. In this article, we present several univariate and multivariate methods for the identification of outliers in multidimensional data. | en |
| dc.subject.translated | Outliers, multidimensional data | en |
| dc.type.status | Peer-reviewed | en |
| dc.identifier.obd | 43929909 | |
| dc.project.ID | LO1506/PUNTIS - Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost | cs |
| Vyskytuje se v kolekcích: | Konferenční příspěvky / Conference Papers (KMA) OBD | |
Soubory připojené k záznamu:
| Soubor | Velikost | Formát | |
|---|---|---|---|
| 0942_Sediva-Toupal.pdf | 840,88 kB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/39652Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.