¿Cuál es la diferencia básica entre ruido y valores atípicos en la minería de datos?

Tomemos el ejemplo de enumerar las monedas y billetes que tiene en su bolsillo.

Outlier: estás enumerando meticulosamente todo lo que tienes. Encontró 3 monedas de diez centavos, 1 trimestre y wow un billete de 100 USD que había puesto allí la última vez que compró algo de alcohol y se había olvidado por completo. El billete de 100 USD es un valor atípico, ya que no se espera comúnmente en un bolsillo.

Ruido: acabas de regresar de ese club y estás bastante perdido. Intentas encontrar algo de dinero para comprar algo para estar sobrio, pero tienes problemas para leer las cifras correctamente en las monedas. Encontraste 3 monedas de diez centavos, 1 trimestre y wow un billete de 100 USD. Pero, de hecho, ha confundido el trimestre con un centavo: este error introduce ruido en los datos a los que tiene acceso.

Para decirlo de otra manera, datos = señal verdadera + ruido. Los valores atípicos son parte de los datos.

Lamentablemente, no existe una definición precisa de valores atípicos o ruido. Un valor atípico son simplemente datos que no “encajan” con los otros datos que está analizando. Si es o no un miembro del grupo (distribución, clase, modelo) es irrelevante. Un valor atípico puede ser un punto de datos válido o puede ser ruido. Eso es lo que hace que la analítica sea interesante.

El ruido es un poco más difícil de definir, pero iría con la ecuación de Franck ruido = señal de datos. La señal sería el “modelo verdadero” que está tratando de definir. Consideraría cualquier confusión de datos de otras fuentes o modelos superpuestos como ruido, ya que no sería pertinente a su análisis.

Los valores atípicos son objetos de datos con características que son muy diferentes de la mayoría de los otros objetos de datos en el conjunto de datos, y puede ser útil.

El ruido es un error aleatorio (o una modificación de los valores originales) que no es interesante o deseable. En la minería de datos hay dos tipos de ruido (ruido de clase y ruido de atributos).

ejemplos de los dos tipos:

vea el siguiente enlace sobre ruido (Soft Computing y Sistemas de información inteligente).

El ruido puede aparecer aleatoriamente en un conjunto de datos, pero los valores atípicos son una vez que son significativamente diferentes del resto del conjunto de datos. Un ejemplo de un valor atípico podría ser los patrones identificables inusuales de datos vistos en las imágenes de resonancia magnética que ayudan a detectar los síntomas de la enfermedad. El ruido, por otro lado, puede no ser de interés para el análisis.