অ্যানোমালির কারণগুলো কী?

অ্যানোমালির কারণ

অ্যানোমালি ডিটেকশনে, উদ্দেশ্য হল সেই অবজেক্টগুলো খুঁজে বের করা যা অন্যান্য অবজেক্ট থেকে ভিন্ন। প্রায়শই, অ্যানোমালাস অবজেক্টগুলোকেও আউটলায়ার বলা হয়, কারণ ডেটার স্ক্যাটার প্লটে, সেগুলো অন্যান্য ডেটা পয়েন্ট থেকে দূরে থাকে। অ্যানোমালি ডিটেকশনকে ডевиয়েশন ডিটেকশনও বলা হয়, কারণ অ্যানোমালাস অবজেক্টগুলোর অ্যাট্রিবিউট মান প্রত্যাশিত বা সাধারণ অ্যাট্রিবিউট মান থেকে án করতে পারে।

বিশ্বে, মানব সমাজে, বা ডেটা গোষ্ঠীর ডোমেনে, অধিকাংশ ঘটনা ও অবজেক্ট, بتعریف, সাধারণ বা নিয়মিত। কিন্তু আমাদের কাছে ভিন্ন বা অসাধারণ অবজেক্টের সম্ভাবনা সম্পর্কে গভীর জ্ঞান থাকে। এতে অত্যন্ত শুষ্ক বা বৃষ্টিপূর্ণ মৌসুম, জনপ্রিয় এথলিট, বা এমন একটি অ্যাট্রিবিউট মান যা অন্যান্য সব চেয়ে অনেক ছোট বা বড় রয়েছে।

অ্যানোমালির কিছু কারণ

ভিন্ন ক্লাস থেকে ডেটা (Data from Different Classes)

একটি অবজেক্ট অন্যান্য অবজেক্ট থেকে ভিন্ন হতে পারে অ্যানোমালাস হিসেবে, কারণ এটি একটি ভিন্ন ধরনের বা ক্লাসের। উদাহরণস্বরূপ, কেউ যিনি ক্রেডিট কার্ড ফ্রড করেন, তিনি সঠিকভাবে ক্রেডিট কার্ড ব্যবহারকারী লোকদের থেকে একটি ভিন্ন ক্লাসের সদস্য।

ফ্রড, ইনট্রুশন, রোগ প্রাদুর্ভাব, এবং অস্বাভাবিক টেস্ট ফলাফল - এরকম উদাহরণগুলো অ্যানোমালির উদাহরণ যা একটি ভিন্ন ক্লাসের এলিমেন্টকে উপস্থাপন করে। ডেটা মাইনিং এর এলাকায় এ ধরনের অ্যানোমালি বিশেষ আগ্রহের বিষয় এবং টার্গেট।

প্রাকৃতিক পরিবর্তনশীলতা (Natural Variation)

কিছু ডেটাসেট সাংখ্যিক বন্টন (যেমন নরমাল বা গাউসিয়ান বন্টন) দিয়ে মডেল করা যায়, যেখানে একটি ডেটা অবজেক্টের প্রোবাবিলিটি সেই অবজেক্টের বন্টনের মাঝপথ থেকে দূরত্ব বৃদ্ধির সাথে সাথে এক্সপোনেনশিয়ালভাবে কমে যায়।

অন্য কথায়, কিছু অবজেক্ট একটি সেন্টার (গড় অবজেক্ট) এর কাছে থাকে এবং একটি অবজেক্ট এই গড় অবজেক্ট থেকেlás ভিন্ন হওয়ার সম্ভাবনা কম। উদাহরণস্বরূপ, একজন অত্যন্ত লম্বা ব্যক্তি একটি স্বতন্ত্র ক্লাসের অবজেক্ট হওয়ার অর্থে অ্যানোমালাস নয়, বরং একটি বৈশিষ্ট্য (উচ্চতা) এর চরম মান থাকার অর্থে অ্যানোমালাস যা অন্যান্য অবজেক্টও ধারণ করে। চরম বা অসম্ভাব্য পরিবর্তনশীলতা উপস্থাপনকারী অ্যানোমালিগুলো আকর্ষণীয়।

ডেটা মাপন ও সংগ্রহ ত্রুটি (Data Measurement and Collection Errors)

ডেটাসেট বা মাপন প্রসেসে ত্রুটি অ্যানোমালির অন্য একটি কারণ। উদাহরণস্বরূপ, একটি মাপন মানব ত্রুটি, কম্পিউটিং ডিভাইসের সমস্যা, বা নয়েজের কারণে ভুলভাবে রেকর্ড করা যেতে পারে।

উদ্দেশ্য হল এই ধরনের অ্যানোমালি দূর করা, কারণ সেগুলো কোনো আকর্ষণীয় তথ্য দেয় না বরং ডেটার গুণগত মান এবং পরবর্তী ডেটা অ্যানালাইসিসকে কমিয়ে দেয়। আসলে, এই ধরনের অ্যানোমালি দূর করা ডেটা প্রিপ্রসেসিং, বিশেষত ডেটা ক্লিনজিং-এর লক্ষ্য।