Publisher's Synopsis
Con la crescita dell'era digitale, i dati sono ampiamente disponibili e il recupero della conoscenza da questi dati viene effettuato con algoritmi di data mining. Tra i vari algoritmi di data mining, l'individuazione degli outlier è fondamentale, poiché la loro presenza degrada l'efficienza del sistema. La maggior parte della ricerca si è limitata a rilevare gli outlier in un singolo universo con una singola granulazione per dati numerici o categorici. Gli algoritmi di rilevamento degli outlier di apprendimento automatico esistenti funzionano bene per i dati quantitativi, ma non sono direttamente applicabili a dati qualitativi, vaghi e imprecisi, il che produce risultati inefficaci. Nel mondo reale esistono anche informazioni ambigue, incerte, incomplete e indeterminate . Questi problemi vengono affrontati in questo lavoro di ricerca utilizzando la teoria degli insiemi grezzi, gli insiemi fuzzy intuitivisti e neutrosofici. La metodologia proposta, basata sull'entropia grezza e sulla densità ponderata, è stata progettata per rilevare gli outlier in vari sistemi informativi. Il valore della densità ponderata per ogni oggetto e attributo è stato determinato per rilevare gli outlier. In questo modo, un oggetto vero non sarà mai trattato come un outlier.
