Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9,  pp. 364 9 ~3 656   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 5 . pp3649 - 36 56          3649       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Estima ti on of  regression - based  m odel  wit h   bu lk  no is y dat a       Chanint orn Ji ttawi ri ya n uk oon   Gradua te School   of  Advan ce d   Technol og y   Man ag ement ,  As sum pti on  Univer sit y ,   T hai l and       Art ic le   In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Sep   18 , 201 8   Re vised  A pr   8 ,  201 9   Accepte d  Apr   17 , 201 9       The   bu lk  nois e  has  b ee n   p rovoking  a   co ntri bute d   da ta  due  to  a   comm unic at ion  net work  with  a  tre m endo usl y   low  signal   to  noise  rat io .   An  appr ec i at ed  m et hod  for   rev i sing  m assive  no ise  of  indi viduals  through   informati on  th eo r y   is  widely   dis cussed.   One  of   t he  pra ct i ca l   app l ic a ti ons  of  thi s  appr oac h  for  bulk  noise  esti m at ion  is   ana l y z ed  using  int el l ige n t   aut om at ion  and   m ac hine   learni ng  tool s,  dealin g  the   ca se  of  bul k  noise   exi sten ce   or   no nexi sten ce .   A  r egr ession - base d   m odel   is  empl o y ed   for  th e  inve stigation   an d  expe r iment.  E stim at ion  for   th e  pra ct i cal  ca se   with  bu lk   nois y   d ataset s  i s  proposed.   Th e  proposed  m ethod  appl i es  sli ce - and - d i c e   te chn ique   to  par t it ion  a  bod y   o f  d at ase ts  down  int o  slight er  porti o ns  so   tha t  it   ca n  be  ca r rie d  o ut.   The   av era g e  err or,   cor r el a ti o n,   absolut e  err o r   and  m ea n  square   err or  ar e   computed  to  va li date  the   esti m a ti on.   Resul ts  from   m assive   onli ne  anal y sis  will   be   ver if ie d  with  data  co llected  in   the   fo ll owi ng  per iod .   I n   m an y   ca ses,  the  pre di ct ion   with   bulk  nois y   d ata  through   MO A  sim ula ti on   rev eals Ra ndom   Im puta ti on  m inim iz es  the a v era g e  err o r.   Ke yw or d s :   Bulk  noise   Cl assifi cat ion   Estim at ion   Me an  s qu a re e rror   No isy  a nd m is sing data   Re gr essi on - bas ed  m od el   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Chani nto r n Ji tt awiriy an ukoon ,   Gr a duat e Sc hool of  A dv a nce d  Tec hnol og y  Ma nag em ent,   Assum ption  Unive rsity ,   Sam ut Pr aka n   Pr ovi nce, 1 0540, T haila nd.   Em a il : pct25 26 @yah oo.co m       1.   INTROD U CTION     Currentl y,  noisy   and   m issi n g  dataset s  are   on   the  rise  due  to  m a lfun c ti on   in  sen sor   te chnolo gy.   These  no isy   pa rts  distu rb   par t ic ular  fiel ds   in  the  ta ble  datas et .  Hu m an  being   ca n  fi gure  out  what   these  bl anks   sh oul d  sta nd   for,  or guess  ar ound them . Bu t  m os t pr ogram m ers  think  thes e the h ar d  pro bl e m s ex act ly b ecaus e   they   ha ve  no  cl ue  a bout  t he  m et hod  to   a pp ly .   The   th reat  of  f ixing  noisy   data  is  not  on ly   a   m ental   fear  but  al so  tur ns   a  sim ple  com pu ta ti on   t o  a n  e xtra  cal c ulati on ,   just  only   to  fin d  ou t   w her e   the  m i ssing  data  is   locat ed .   Keep i ng  this  obser vatio n  in   m ind ,  s om e  app r oac hes  wh ic h  will   help  cal cula ti on   f or   da ta   analy ti cs  w ork  ou t   wh il e s olv i ng  m issi ng  d at a  pr ob le m s  m us t b e pro vid e d  s o  t hat d at a i nter pret at ion  ca n be  perform ed.   Ba sh a   et   al .   [ 1]   propose  a  si m il arity - based  cl us te r  for  cl as sifyi ng   t he  stri ng.  It   cal culat es  the  c os ine   si m il arity  then  com par es  wit h  the  vect or   of  the  i nfor m at i on  of  the   te xt.   This   te c hn i que  is  ap plied  f or  te xt - base d  dataset s,  an d  t he  perform ance  is  inv e sti gated  usi ng   sig nal  to   no ise   r at io,  m ean  squar e  erro r ,   and  exec utio n  tim e.  Lee  et   al .   [2 ]   pro po s e  a  f uzzy - ba se d  a ppro ac h  t o  cl assify   the  s entence  te xt  in  m any   do c um ent  dataset s.  A  fu zzy   m et ric  has  be en  analy ze d  to  tra ns la te   the   high  le vel  in to  a  low - le vel   te xt.   The  pro po se d  cl us te r  div ide s  the  sta te   sp ace  into  s ub - s pace s.  T he  disc rete  su b - s paces  a re  thu s  unit ed  to   create   the  se par at e  le vel.  T he  a ppr oa ch  pro du ces   op ti m iz ation   a nd  r uns  faster  than  oth e r  te c hniq ues.  W ei   et   al .   [ 3]  introd uce  a  le xical - base d  se ntence.  It  em plo ys  the  on t ology  orde red  patte rn s  t o  c om pu te   the  sim il arity  betwee n  i nd i vid ual   w ords.  T he   le xical - based  m et h od   is  us e d  t o  a naly ze  th e  sem antic   of   t he  wor ds .   Com pare d  to  the  te xt  cl ust ering,  the  cl ust ering   of  the  e m pt y  (b la nk)  t exts  are  t he  m os t  di ff ic ult.  A s  the  m issi ng   words  i n  the  dataset   a r e  widely   e nc ounte red  by  a ppli cat ion s  i n  r eal it y,  the  cl ust e ring  of  t he   noisy   dataset   nee d s   the att entio n.   I n  this  p a per, th e pro posed  m eth od  base d o n  e stim ation  ce nters  the  case  of  m issi ng  d at a.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19 :   3649  -   3656   3650   In  real  li fe ,  noisy   data  [4 ]   de ve lop s  wh e ne ve r   blan k  has  re pl aced   any  entri es  in  the  ta ble  as  sh ow n  in   F igure  1.   No is e   data  can  de v el op   an d  root s   a n  unreli abl e   con se quence   ran gi ng  from   the  or igin al   dataset   cannot  be  e xec uted  (err or   f ound)  t o  nonr e spon si ve  process   w hile  r unning   the  fil e .  Liu   e t  al .   [ 5]  intr oduce  a   tree - ba sed  cl ust ering   al gorit hm   fo r  cl assify ing   te xts  in  paral le l.  The  p ara ll el   al go rithm   per   se  m ini m izes  the   tim e  con voluti on  by  e xec utin g  the   data  c ollec ti on ,  t he  data  par ti ti onin g,   and  cl assifi cat ion.  T he  m ast er - sla ve   process  in  paral le l  pr ocessin g  is  app li ed .  The  pro pose d  m et ho d  im pr ove s  tim e  co m plexity   and   ac cur acy .   Sh i   et   al .   [6 ]   su ggest   a  ge ne ti c  al go rithm   t o  com bin e  the   fitness  eq uation   to  the  c onverge nce  funct ion   in   K - Me a ns   cl us t erin g.   D oc ume nts  base d  up on   to pics  are  su m m arized  t o  pro vid e  a  be tt e r  com pr eh ensio n.   Li   et   al .   [ 7]  pro pose  a   F uzz y - base d  al gorithm   to  increase   the  e ff ic ie ncy   an d  acc ur a cy   of  the   te xt  da ta set .   It  pro ves  that  the  cl assifi cat io n  is  m or e  eff ec ti ve  than  the  re gu la r  te xt  pa rtit ion in g  al gorit hm s.  Ba no   et   al .   [8 ]   dev el op   th e  trai nin g  al go rith m   based   upon  the  neural  net work   m od el .  Ra nk i ng - based   c lusterin g  an d  f il te ring  te chn iq ue a re  use d  t o  el im inate  the  disti nct dat a.   No isy   data  re pr ese nts  a   w ort hless  data.  An y  il le gib le   data  wh ic h  i s  colle ct ed  a ut om a ti cal l y,   will   ou tc om e  a nd   ca n  be  desc ribe d  as  no ise .   Sh abi r  et   al .   [9 ]   accor d  a  de no ise   process  t o  rec ov e r  the  qual it y  of  sat el li te   i m a ge.  Th ese  n ois es  are  i nclusi ve   of n ot only   in com patible   pro blem s  su ch  as  h ar dware or  s oft war e  incom patibil it y  bu t  al s o  pr oce ssing   haza rd s  su c h  as  no  e xe cution,  no  ope rati on ,  re j ect io n   or  fail ur e.  A   li tt l e   portio n  of  no is e  can  sim ply  s cram ble  the  cl us te rin g  proce ss  of  m easur ed   data.  It  is  m or e  tro uble   in  c ase  of   i m age  data  from   sat ellit e  as  it   connect s  with  geost at ion ary.   If  an   al gorithm   fo cuses  on  a  di gital   trans form ation ,   it   qu antifi es  noise   into  erro r  data.  If   it   is  t o  be  serio us ly   ha rsh   to  no ise ,  it   has  to  de no ise   then   fine - t un e . Ho w ever, in  the ca s e of  bu l k no isy  d at a, it  worse ns t he ori gin al it y and cau ses a  gr eat   haza rd.           F i gu r e   1.   E xa m pl e   of   no i s e   da t a   ( bl a nk )       The  ob j ect ive   of   this  pa per   is   to  e stim a te   th e  accuracy  of   t he  re gr essi on - base d   m od el   for  bulk  no is e   data  us i ng  MO A  [ 10 ]   sim ulatio n.  I n  m any  cases  of  bu l k  no ise   data,  no isy   par t  is  s uc h  a  l arg e   fr act i on   ( above  sixty   per ce nt)  of   t he  total   dat a  siz e.   The  rea so n  w hy  it ' s  c al le d  " bu l k  noi se"  is  tha t  irra ti on al   fluct uation   is  com m on ly   du e   to   va riables  wh ic h  are  una ble  to  be   acco un te d  f or.  Bul k  noise   will   be  serio us ly   ta ke n  into   account   f r om   m any   pr act ic al   cases .   Firstl y,   the  noisy   det erm inistic  par t   will   be   in quir ed  t o  br ea k  t hro ugh   the  error   in  m a ni pula ti on .  Sec ondly,   the  pro pose d  est i m ation   will   treat   these  blan k   data  then  re gressi on - base d   resu lt s  f ro m   si m ulati on   are  us e d  to   valida t e  the   pr op os e d   m et ho d.   La stl y,  t he  pr eci sion   of  bu l k  no is e   treatm ent   will  b e  discusse d af te r  com par i ng  with the  actual   dataset .       2.   RE LATE D  W ORK   The  no isy   data   is  exactl y  fu z zy   as  it   co m pr ise s  of   a ny  val ue  (i nclu ding  blan k)   wh ic h  i s  unreli able  and  un us ed .  It   co uld   be  e qu i pm ent  err ors,   hu m an  er rors,  and  im pr op e r  data  ent ry.  N oi sy  data  is  co m m on ly  fou nd  as  m edical   dataset s  are   held .  T hese   va lues  dev el op  unkn own  c halle ng e s  to   the  dat a  sci entist .  A  m et hod  for  treat ing   the   m issi ng   value s  is  pr opose d  [ 11 ]   as  the  chara ct erist ic   values  are  natural ly   recurri ng   us in g  non - par am et ric  discreti zat ion   ap proac h.   T he  c oncept  of   z - sc ore  to  tre at   the se  m issi ng   pa r ts  in  the  datas et s  is   app li ed .  Th e  r equ i rem ent  is  on ly   that  data   need s  t o  be  r ecurred .  The  a uthors  [12]  pr opos e  te ch nique  of   handlin g  no ise   data  occurre d  in  m edical   dataset s  by  cl assify ing,  est im a tin g,  a nd  cl us te r ing .   O ne  of  th e  vita l   t echn iq ues   in   sta ti sti cs  is  to  fin d  the   locat i on  of  al l  deter m inist ic   par ts  wh i c h  will   be  us e d  f or  est im at ion .   In   m any  cases  no isy   data  ca n  be   sim ply  id entifi ed  if  a  s m al l  fr act ion   of  the  total   par t   is  m issi ng .  R efer  to   “R - Squa re”  wi th  a  low  po rtio n  of  nois y  data,  the  regressi on  te ch nique  he lps  div i de  ra ndom l y  and   visua li zes  for  how   m ajo r it y  of   t he  dete rm inistic  par t  can  play   r ole  in  the   fi nal  outc om e.  No te   t hat  re gressi on - base d  i m pu ta ti on   is   a lso  prese nted  i n  [ 13,   14]   to f igure o ut  m issin g  value s  an d  t he  ac cu racy  is m easur ed  by  ut il iz ing   MSE  m et ric,  ho we ve r,   it   is  r egardless  of  es tim a ti on   m od el .  No isy   data  can  al so   occ ur  widely   as  bu l k  in  the  dataset . I n  this  case, the  m ino r it y part is f resh  v al ue  an d  is useab le , while  t he  m ajo rity  o ne  h as to b e d isc ard e d  or   retreat e d.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of r egressi on - base d model w it h b ulk noisy  data   ( Cha ni nto r n  Ji tt awiri yan uk oo n )   3651   Howe ver,  the  inv e sti gation  i n  this  pap e r  is  not  li ke  oth e r  m et hodo l og ie s  a s  m entioned   a bove ,  firstly ,   the  pr opos e d  tr eatm ent   is  e m plo ye d  un ti l  the   bu l k  no ise   is  unin vo l ved.  Af t er  the   el i m inatio n  of  t he  unwa nted   bu l k  noisy   dat a,  the  pro pose d  al gorithm   keep s  fi xing  al l  su bst antia l  blank s  i n  the  data set   by  est i m a tin g  t he  su bst it ution .   N ote  that  the  si ng le   el em ent  of  noise   in   the  d at aset   can  ha m per   the  data  m anipu la ti on  un le ss   exclusi on  of  t his  m ajo r  nois y  data.  F our  pro posed   treat m ents  are  int r oduce d,   nam ely,  D up li cat ion  (DU ),   Me an  Va riable s  (MV ),   Delet ion   Me c ha nism   (D M) ,  an d  Ra ndom   I m pu ta ti on   (RI ).   T hese   four   al gorith m s   are   app li e d  f or  re pl aci ng   no ise   wi th  substi tuti on.   Seco ndly ,  the  com pu ta ti on   c os ts  ar e  incl us ive  of   searc hing  ti m e  for  the  el im inati on   of  bulk  no isy   data  and   in div id ual  al gori thm   execu ti on   tim e.  As  a  down - to - eart h,   th irdly,   these  fou r  est im at ion s  are  val idate d  us i ng   t he   com par ison  w it h  act ual  val ues  in  or der   to r eflect   their  ac cur acy .  Last ly ,  the  e xp e rim ental   resu lt s  us i ng  MOA  sim ulati on   a re  s umm arized.  T he   await ing  sec ti on s  a re   cat egorized  as   fo ll ows:  Sect ion   III  ex plains  the  existi ng   bu l k  noise   s it uations .  S ect ion   I V  des cribe s   the p e rfo rm ance r es ults o f  the se pro pose d  te chn i qu e s. Sec ti on V o utli n es t he  c on cl us io n of t he pa per .       3.   DA T AS ET S  WITH B ULK  N OI SE   In   this  sect ion,   featur es  of  bu lk  no ise   are  il lustrate d,  datas et s  with  m ajo r it y  of   no ise   ar e  li ste d  and   the in her e nt str uctu re  of   bulk  no ise  is s or te d  ou t.     3.1 .     No ise   pre veni ence   A  sin gle  entry   of   no ise   ca n  corrupt  a  w ho le   dataset .  No i se  can  be  ea sil y  or iginate d  f ro m   fau lt s  durin g  data  c ollec ti on   proce dure  or   st or in g  process .  A n  el e m entary  existe nce  of  noise   s top s  t he  e xtrac ti on   of   insig htfu l  data  in  data  c ur at io n,   wh ic h  ca n  r eflect   the  de fe ct ed  m achine  le arn i ng   operati on.  I n  pr act ic e,   it   can  be  des per at el y  com plica te d  to  handle  fa ults  as  s uc h.   The r efore,  t o  pinp oi nt  an d  t o  treat   noise   in   a ny  dataset   m ay   con quer  t he  m anipu la ti on  co ns trai nt  an d  the  im ped i m ent  le arn i ng   process.  In   t his  pa per,  th us ,  the  severe   case  of   bulk  noise   in  the  dat aset   is  inv est igate d.   Bulk  no i se  turns  the  pr esence  of  nois e  in  the  dataset   to  be  beyo nd  50%   of   the who le .   T he   com plexity   is  to  al loca te   an d  searc h  t horou gh ly  w he re  t he   bulk   noise  p re sents.   This  pinpo i nt c an pr ovide t he c on cl us io n reg ard i ng the  nece ssary of t he bid  of  no ise  t reatm ents.   To  pu rg e  bu l k  no ise ,  m os t  te chn i qu e s  assu m e  a)  the  dataset   is  ex act ly   at   hand  f or   e xe cution  a nd   b)   t he  dataset   i s  sm a ll   fo r  m a nipulat ing   at   a  tim e.  This  is  due  to  t he  im ple m entat ion   of  a  ru le - base d  a ppro ac h.   But  in  this  pa pe r,   a  par ti ti on - base d  strat egy  (P BS)   is  ad opte d  by  giv i ng  that  a  dataset   S   can  be  div ide d  int o  two  portio ns :  a   m ino r  pa rt  (subset)  an d  a   m a j or  (bul k)   pa rt,   in  w hich  t he  bulky  par t  is   ass um ed  to  prom pt  th e   identific at ion   of  the  m ajo r  no i se  from   the  whole  dataset .  Co ns e qu e ntly ,  the   assum ption   is  reali sti c,  espec ia ll y  in  no isy   en vi r on m ents.  In   ca se  of   huge   dataset s,  bu l k  noise   el i m inati on   is  scal ing   up   pa rtit ion   filt erin g  tim e  accor dingly .  T he  ex per im ent  on   synt hetic   dataset s  with  no ise   le vel  (e ve n  ab ov e  50% )  shows  t he  ef fecti ve   perform ance aft er P BS.     A  m od est   te ch nique  [ 15]   to  inv olv e  bulky  values  of  nois y  data  is  to  re m ov e  the  w hole   instance   wh ic h  sp eci fic al ly   con ta ins  the  noise   data  of   any  at trib utes.  Howe ver,  this  appro ac h  do e s  no t  crac k  the   pro blem   in  case  of   bulk  no ise   as,  on ly   a  few  or   m ino rity   of   these  instance s  rem a ins.  It  is  feasible  that  these   discar ded   i ns ta nces  m ay   be  c riti cal   and   sen sit ive  factor   as   execu ti ng  data  cur at io n.   T o  identify   noise   in  the   dataset   is  desc r ibed.  Two  case s  are  no w  co nsi der e d,   the  ca s e  wh e re  the no ise   is  rando m   and   t he  case  in w hic h  a  boun d  on  th e   noise   e xists.   In  the  first  one,  i n  case   of  huge  dataset s,  a  synthesiz e r  will   com pu te   f easi ble  represe ntati on s   fo r  a  dataset   then  est im a tes  the  dataset   base d  upon  th e  cal culat ion .   In   the  la tt er   on e ,   op ti m iz ation  is  expect ed o n  t he  sim ulatio n.     3.2 .     Simul a ti on   data se ts   Fil te ring   the n  detachin g  insta nces  w hich  are   m ajo rity   in  bulk  no ise   datase t  is  a  m ai n  pu r po s e  of   data   cur at io n  pre - processin g  ( bo t h  PBS  filt ering  and  an om al y  detect ion )  beca us e  t hese  bu l k  noise s  obstruc t  then   stop   data  a naly ti cs.  Pr op os e d  f ou r  t reatm e nt  ap proac hes  for  est im a ti ng  data  f or  m ajo rity   of   no isy   values   wh ic h  are  D upli cat ion   ( DU) ,  Me an  Var ia bl es  (MV) ,  Delet ion   Me cha nism   (D M),  an d  Ra ndom   I m p utati on   (RI)   ha ve  bee n  intr oduce d.  Let   T   be  a  give n  noisy   datas et   m at rix  wh ic h   co ntains  a   r ow s   a nd  b   c olu m ns ,   wh il e  k   re prese nts  instan ces  a ff ect ed   by  bu l k  no ise   or  noise   le vel,  in  wh ic h  k   is  al ways  l ess  than   a   ( k   <  a   a nd   T k1 ,  T k2 ,  T k3 ,… ,  T k( b - 1) ,  T kb )  fo r  eac h  k   =  1,   2,   3, … ,  a .  T he  T   m at rix  is  exp e ct e d  to  be   a  determ inis ti c  set .   An   el em ent  T kb   is  set   to  be  a  no isy   el em ent  wh e ne ver   { T ij   =  ɸ  ||   ∞,  1  ≤  i   ≤  a ;  1  ≤  j   ≤  b } .  N ote  that  in  c ase  of   bu l ky  noise ,  k   is  al ways  ident ic al   or   la rg e r  t han   t he  hal f  of   a   ( k   ≥  a / 2) .  T he  dataset   with   bu l k  noise   is  cal led   ham per ed  dataset .  Th us   trea t m ent  te chn iq ues  t o  ov e rth r ow   t he  haza rd   and   w ork  ou t  with  the  an al ysi s   by apply ing t he  estim at ed  ve ct or   E n   a re  des cribe d  in  the  ne xt secti on.   The  par ti ti on - base d  filt erin g  te chn i qu es  e m ph asi ze  on   di scard in g  no is e  wh ic h  ca n  be   detect ed  at   low - le vel  data  fau lt s  est ablis he d  by  a n  im pai red   c ollec ti on   of   data,  bu t  i nst ances  w hich  a re  de fected  ca n  ba r   the  analy ti cs.  No ise   ca n  di re ct   to  m isi nterp ret  (n e gative  c on ce r n) ,  le a ding  data  a naly zer  to  ta ke  on   a  r el at ion  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19 :   3649  -   3656   3652   of  any  at tri bu t es  ( fau lt   decisi on)  al th ough  it   le gitim at ely  is  not  (a   ty pe  I  error).  The refo re,  if   it   is  to   c ertai n  data  analy ti cs,  these  T kb   insta nces  m us t  be  de no ise d,   reg a r dless  of  a ny  an al ys is.  It  is  al so   crit ic al   for  de no is e   appr oach es   to  detach  a ny  noi se  data.  In  cas e  of   t he  bu l k  portio n  of   noise   wh e re  k   ≥  a /2,   any  m et ho ds   hav e   to  neg le ct   a   rem a ining  f racti on  of   t he  w ho le   da ta set   as  a  rem ov al   ca n  res ult  a  certai n  fe w  or  only   m ino r  portio n.  This  pa pe r  f oc us es  on   f our  ty pes  of   the  pro pose d  treat m ent   for  bulk  noise ,  w hich  incl ude  Duplic at ion   ( DU),   Me an  Va riabl es  (MV),  Del et ion   Me cha ni sm   (D M),  a nd  Ra ndom   I m pu ta ti on   (R I)   i n  order   to  gran t  data   analy ti cs  in  reali ty .  The  exp e rim ents  are  based   on  th e  re gressi ve  m od el   with  te n  dif fere nt  syntheti c  da ta set s.  In   the  in div i dual   exp erim ent,  the  est i m ation  is  co m pu te d  a fter  de noisi ng   in  te rm s  of   the  eff ect   on  the  data   analy sis.  I n  the   co ns eq ue nt  ye ar,  on ce   the  ac tual  data  is  c ollec te d  then ,  th ey   will   be  c om par e d  to   th os e  earl y   ye ar esti m at ion s.       4.   RESU LT S   A ND AN ALYSIS     The  open - s our ce  base d   M O A  is   sel ect ed   for  the   data  a naly tic s.  T en   dataset s  are   ta ken  up   a nd   the  assessm ent   of   a   re gr e ss ion   m od el   for   bulk   noisy   with  the   dissi m il ar  no ise   le vel  ( k )  i s  m easur e d .   The  ex per im ent  is  m anipu la te d   on  an  I ntel®  Core  ™  i5  CP U,   1.6 0  G Hz  P ro ces sor  an d  8  GB  RAM  on   boar d.   The dat aset s  a r e   ch os e n   in  orde r  that t hey  al l  are  di ssim il ar   in  siz e,   num ber   of instance s ,   a nd att rib utes.     4. 1.     Mean  sq uare   e rror   Me an  s qu a red  error   (MSE )  is   a  m et ric  to  qu antify   t he  di f fer e nces  betwe en  sam ple  and  popula ti on   values  a ntici pa te d  by  a  regressio n  li ne  or  f or eca ste d  va lues  of  the  ob s er vations.  The  lo we r  the   MSE,   the  cl os er  to  t he  li ne  of   bes t  fit  is   fo un d.  The  MSE  ex plain s  the  sta ndar d  de viati on  of   the  dissim il arit y   betwee n  obser vation  a nd   pr e dicti on . T he  di ssi m il ar v al ue  i s calc ulate d  by the targ et ed  da ta  ex ecuti on   over the   error s  in  e stim at ion .  M SE  bas is i s a b al a nce  betwee n varia nc e an d bias is s how n  in  ( 1 ) .     MSE = ∑ ( ̂ − ) 2 = 1     ( 1 )     Wh e re,     is  tim e   series   of   the   fi nite  obse rv at i on,   ̂   is  the   f orec ast ed  ti m e  series,  a nd  D   de note s  the   nu m ber   of   sam ple  data.   A  dataset   in  a  trai ni ng   c onditi on  de cl ines   the  er r or   rate  f or   e xp erim ent  set .  Fault   rate   for  trai ni ng  da ta set   will   be   com par at ively   higher  t han  th at   of   t he  ex pe rim ent  set .  If   any  tw o  te ch ni qu es   pro vid e   t he  e qual  m ean ab s olu te  er ror  t hen  MSE i s take n u p for  decidin g,  wh ic h  is   t he opt i m u m   app r oac h .       4. 2 .     Mean   ab s olute  error   The  m ean  abs olu te   er ror  (M AE)   is   a   fig ure  us ed  t o  qua ntify  pr e dicti on s  of  the  c riti cal   resu lt s .   The  M AE  is a   m ean   of the  absolute  value  of  fau lt s a nd can   be defi ned   by     MAE = 1 ∑ | − ̂ | = 1     (2)     Wh e re,     is t he  f init e o bse r vation t i m e series  and  ̂   is t he pre di ct ed  tim e series.     4.3 .     No ise  st ru ctur es   Fu ll y  at   Ra ndom   (F AR)  def i ne s  bulk  no ise   s tructu res  a re  not  relat ing   t o  a ny  facto rs.   For   exam ple,   m os t  qu est io ns  ask   the   res po nd e nt  for  a   ra ndom   answ e r.   In te ntion al ly   ( ITT)  ou tl ines   bu l k  no ise   str uc tures  add e d  up   with   pr i vacies.  F or  instance,  s om e  respo nd e nts  cl um si ly   echo   their  sen sit ive  data  su c h  as   age ,   incom e,  age,  et c.  They  e nd u p  fill ing  w it h  a b la nk d el iberat el y  or  w hite - fa lse   fig ur es .  Ma ny  bulk noise d at a  in   this pa per incl ud e  both  I T T a nd F AR.     4. 4 .     Prop os e d   tre atmen ts   Four   pro po se d  treatm ents   fo r   assigni ng   data   to  involve   t he   prob le m   of   bu lk  noisy   values   wh ic h  ar e   base d  on   duplica ti on ,  m ean  value,   delet ion,  and   ra ndom   value  are  descr i be d.   Let   T   be  a  giv e n  noisy   d at aset   m at rix  w hich   c on ta in s   a   rows   an d  b  c ol um ns ,  wh e re  k   is  noise   le vel   as  w el l  as  sm aller  than   a   ( k  <   a   an d  T k 1 ,  T k 2 ,  T k 3 ,…,   T k ( b - 1) ,  T k b )  fo r  eac h  k  =  1 ,  2 ,  3 ,   …,  a.   The  T   matr ix  is   e xpect ed   to  be  a   determ inist ic  set .   An   el em ent  T kb   is  set   to  be  a  no isy   el em ent  wh e ne ver   { T ij   =  ɸ   ||  ∞ ,  1  ≤  i  ≤  a;   1  ≤  j  ≤  b } .  I n  the  case  of  bu lk y   no ise ,  k   is  e qua l  or  gr eat e r   than   the  half   of  a   ( k  ≥  a / 2).   T he  T   dat a set   is  cal le d  ham per ed   da ta set .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of r egressi on - base d model w it h b ulk noisy  data   ( Cha ni nto r n  Ji tt awiri yan uk oo n )   3653   Th us ,  treat m ent  in  or de r  to  ge t  ov er  the  st oppag e  a nd  m ov e   on   with  the  a naly ti cs  us ing   the  est i m at ed  vecto r   E n   are  presente d  as   f ollows.     4.4.1 .   Dupl ic ati on   ( DU)   Duplic at ion  in vo l ve s  with  t he   dataset   T   by  firstly   delet in g  al l   k   insta nces .  T his  a pproac h  benefit s   the  si m plest  treatm ent   w hethe r  or  n ot  the re  are   i m pacts  on   the   el i m inati on .   A fter  the  entire  k   rows  of  the  m at rix  T   are  re m ov e d,   t hen  est im a te d  E n   data set  is  { d ij   ≠   ɸ   ||  ∞ ,   1  ≤   i  ≤   (a - k) ;  1  ≤   j  ≤   b } .   Althou gh  it   seem s   the  D U   treatm ent  nurtur es   a n  unfair   est i m ation   by  us in g  the   rem ai nin g  a - k  inst ances  to  dupli cat e  un ti l  En  datase t   grow s  to  { d ij   ≠  ɸ  ||   ∞,  1  ≤  i   ≤   a;  1  ≤  j  ≤  b }   but  the  paper  in vestigat es   a  bu l k  noise   sam ple  and   ex a m ines  wh et her o r no t  the DU a ppr oa ch reflect s   a n  a ccepta ble st rategy.     4.4.2 .   Me an   vari ab le s   ( MV)   Me an  value  c r it erion   is  to  im pu te   data  to  su bst it ute  al l  k   instances.  Apply  PBS  to  th e  ta rg et ed  T   datase t  an d  cl a ssify  a  dataset   wh ic h  c om pr ise s  of  k   instanc es.  An y  k   r ows   of  the   m at rix  T   posse ss  a n  el e m ent  d ij   with  noisy   data  wh e re  { d ij   =  ɸ   ||  ∞ ,  1  ≤   i  ≤   k;  1  ≤   j  ≤   b }   then  the  entire  row  is  rep la ced  by  e m plo yi ng   the   MV s ub sti tuti on  for  est im at ed   E n   dataset  as li ste d  in  Equati on  3.      = 1 | − | ∑    = + 1   (3 )     The  in vestiga ti on   of   the  MV  is  that  it  is  an  acce ptable  est im a ti on   for  a  pa ram et er  ou t  of   a  norm al   distrib ution.  In  case  o f   I TT,   this  treat m ent  induces  a   vo la ti le   bias.  No t  to  m ention  t he   MV  is   le d  by   the   dist or te d repla ce m ent   as w el l  as  dev el op s  th e size  of stat e s pace   c om par ed  to  the  abo ve D U .      4.4.3 .   Deleti on   me ch an ism   ( DM)   DM  is   si m ply  rem ov ing   al l   k   instances .  T he  D M  cl aim s   the   si m ple  bu t  qu i cker   treat m ent   w het her   or   no t  t he  delet io n  will   influ e nc e   the  fu t ur e  a na ly ti cs .   Af te r  t he  e ntire  k   rows  of  the  m at rix  T   a re  delet ed,   t he n  est i m at ed  E n   datase t  is  { d ij   ≠   ɸ   ||  ∞ ,  1  ≤   i  ≤   (a - k) ;   1  ≤   j  ≤   b } .   The  DM  treat m ent  pr om ote s  hu m ble  analy ti cs   and   a  fair  pr e dicti on  in  wh ic h   s ta te   sp ace   is  insig nificant ,   there fore,  t he  DM  is  a  provoki ng   appr oach.      4.4.4 .   R an d om   im puta tion   (R I )   Util iz e  sever al   i m pu ta ti on s  a t  rando m   fo r  r eplace m ent.  Sim il ar  to  MV,  the  PBS  is  ap plied  to  t he  ta rg et ed   T   data set   an d  resu lt s   a  da ta set   with   k   insta nces.   A ny  k   rows   of  t he  m at rix  T   possess  a n  el em e nt  d ij   with  noisy   dat a  wh e re  { d ij   =  ɸ  ||   ∞,  1  ≤  i  ≤  k;  1  ≤  j  ≤  b }   t hen   t he  e ntire  row  is  s ub sti tu te d  by  us in g  t he  RI  rep la cem ent f or esti m a te d  E n   dataset .   The  m ini m u m  li kelihood  f ound  in  c olu m n  j   (w he re  j  =  1 ,  2 ,  3 ,… ,b )  is  m ark ed  by  d ( m in) j   wh e r e   d (m in) j   =  Mi n  ( d kj )  for  each  k  =  1 ,  2 ,  3 ,… ,  ( a - k) .  Likewise,  t he  m axi m u m   l i kelihoo d  of  col um n  j   (w her e  j  =  1 ,  2 ,  3 ,…, b )  is  de fine d  by  d (m ax) j   w he re  d (m ax) j   =  Ma x  ( d kj )   fo r  eac h  k  =  1 ,  2 ,  3 ,…,  ( a - k) .   The  substi tuti on   for  est i m at ed  E n   d at aset   with  m ulti ple  i m pu ta tio ns   for  k   instances  in  each  c olu m n  j   is   rando m ly   exp la ined  as  fo ll ows:      =  [ (  ) , (  ) ]     (4)     Stat e  sp ace  can  be  sig nifi cant  to  ref le ct   the  sp eed   of   com pu ti ng  pow e r.   In  this  pap e r ,   the  com pu ta ti on   c os t  is  sum m arized,   accor ding  to  the   perform ance  evaluati on.  It  is  app a ren t  th at   any   pr e dicti on s   are   pro blem atical   if  the  c om pu ta ti on   c os t  is   hi gh  as   de picte d  i n  Ta ble  1.   N ote  that  in   case  of  bu l k  no ise ,  a   is al w ay s sm a ll er th an 2 k .       Table  1.  C om pu ta ti on   c os t  of   pro po se d   t reatm ent s   Tr eat m en t    Co m p u tatio n  Co st   DU   O( ab )  +  O( ab - bk )  ≈ O( ab )   MV    O( ab )  +  O( ab - bk )  ≈ O( ab )   DM   O( ab )   RI   O( ab )  +  O(2( ab - bk ))  ≈  O( ab )       It  is  propose d  that  treatm ents  fo r  i nvolv i ng  the  bulk  no ise   can  be  ou tl ined  into  tw o  colle ct ive  strat egies,  a  m od el - base d  stra te gy  (MBS),  a nd   a  par ti ti on - base d  strat egy  (P BS) .  Th e  PBS  will   div ide  a nd   ir on   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19 :   3649  -   3656   3654   ou t  t he  bu l ky  no ise   pa rt  be f or e   ap plyi ng  the  est im a t ion .  Wh il e  th e  MB S  re vises  t he  a lgorit hm s  in  orde r  t o  carry  ou t  the   noise   data  befo r e  the  pa ram et ric  est i m ation   is  ap plied.  T he   com m on   MB S  is  us e d  in   P SPP  or  ANO VA   s of t w are,  w hich  a ppli es  var ious  i m pu ta ti ons  f or   r eplaci ng   a  no is e  data.  PBS  te chn i qu e  im ple m ents  li kelihood  in form ation   into  at te ntion   rat her.  W it h  the  MB S   al go rithm ,  the  e m plo ym ent  i s  com plex  and  the   sk il l i s r eq uire d because  the a lgorit hm  p er s e  h as  bee n  f undam ental ly  d esi gn e d  t o  re flect  the p a ram et er cen tric   especial ly   to  the  sta te   sp aces .  If   t he  MB S’ s   al go rit hm   pr ovides  c omm on   resu lt s,  s uc h  as  a  var ia nce  or   vector  of   a ve rag e  val ues,   t hen  it   can  be  cal le d  th e  data  ce ntric.   The  e rror  m etr ic s  of  te n  dis si m il ar  dataset s  us i ng  MOA  at   no ise   le vel  ran ging   fr om   50 %  to   80 %  will   be   colle ct ed.   Th is  is  a   si m ple   analy sis  towar d  the   desig nated  dat aset s,  an d  res ul ts  are  li ste d  in  Ta ble  2 - 5 .  T he  th ree  er rors   in  the  ta ble  c har act erize  t he   m ea n   sq ua re d  er r or   ( MSE),  t he  c orrelat ion   c oeffi ci ent  (COE F),  and  m ean  absol ute  error  (M A E)  c orrespo nd i ng ly .  Dataset #5  pro v ides  l owest   a m ou nt  f or   both  MA E  a nd  MSE  w hile  da ta set #2 ,   #7,   #8,   a nd  #9  obta in  s m al le st   fig ur e  f or  C OE F.  T he reg ressi on - based p re dicti on  is als o  s um m arized in  T able 6.       Table  2.  E stim at ion   with  m ean s quare d  e rror   for  te n di ff e rent  d at aset s   ( k   =  0.5)   Dataset   MSE   COEF   MAE   1   1 5 .7   0 .47   1 3 .1   2   1 .8   0 .1   1 .6   3   30   0 .3   2 5 .7   4   2 7 .8   0 .15   2 3 .5   5   0 .12   0 .4   0 .1   6   2 .55   0 .6   1 .8   7   2 2 .3   0 .64   1 9 .16   8   1 3 6 .1   0   1 1 4 .8   9   5   0 .02   3 .77   10   1 7 .68   0 .02   1 3 .4     Table  3.  E stim at ion   with  m ean s quare d  e rror   for  te n di ff e rent   dataset s   ( k   =  0.6)   Dataset   MSE   COEF   MAE   1   1 6 .7   0 .63   1 3 .9   2   1 .59   0 .27   1 .34   3   2 9 .2   0 .47   2 5 .6   4   2 8 .2   0 .16   24   5   0 .12   0 .42   0 .1   6   2 .6   0 .5   1 .9   7   2 5 .3   0 .64   21   8   1 3 7 .55   0 .15   1 1 6 .1   9   5   0   4 .1   10   1 2 .8   0 .5   9 .5         Table  4.  E stim at ion   with  m ean s quare d  e rror   for  te n di ff e rent  d at aset s   ( k   =  0.7)   Dataset   MSE   COEF   MAE   1   1 9 .2   0 .53   1 5 .6   2   1 .78   0 .2   1 .48   3   3 3 .3   0 .38   2 9 .7   4   2 8 .8   0 .28   25   5   0 .12   0 .4   0 .1   6   2 .86   0 .44   2   7   3 2 .2   0 .48   27   8   1 2 7 .8   0 .29   102   9   5 .8   0 .1   4 .8   10   1 8 .41   0 .14   1 3 .14         Table  5.  E stim at ion   with  m ean s quare d  e rror   for  te n di ff e rent  d at aset s   ( k   =  0.8)   Dataset   MSE   COEF   MAE   1   2 4 .2   0 .25   2 0 .5   2   1 .75   0 .11   1 .55   3   4 4 .1   0 .22   3 8 .5   4   2 5 .3   0 .57   2 1 .1   5   0 .12   0 .36   0 .1   6   1 .7   0 .76   1 .24   7   4 6 .4   0 .11   3 2 .1   8   1 3 8 .5   0 .32   1 1 2 .4   9   5 .05   0 .8   4   10   4 .1   0 .92   1 .7         Table  6.   Re gr e ssion - ba sed  pr edict ion   f or  te n datase ts       Reg ressio n - b ased  Pr ed ictio n   DATAS ET   1   X 9 = - 6 .07 X 4 +3 9 .85   2   X 11 = 0 .58 X 9 +1 .75X 5 +9 .4X 3 +2 .14   3   X 8 = - 0 .91 X 3 +8 .2X 5 + 2 1 6 .44   4   X 4 =0 .34 X 1 +2 .26 X 5 - 1 5 .18   5   X 2 =X 6 +0 .2X 1 +0 .48   6   X 6 = 0 .3X 3 +0 .1X 7 -   6 .96   7   X 5 =8 .63 X 1 +0 .8X 3 + 1 1 .97   8   X 7 = 0 .09 X 5 +1 9 9 .1 1   9   X 3 =3 .8X 1 +3 4 .82 X 5 +X 4 +1 9 .7   10   X 6 =  - 4 .7X 1 - 4 .8X 2 +X 4 - 1 .4X 5 +0 .1X 7 +7 4 .2       Table s   7 - 10  re veal  aver a ge  e rror s  f or  a  regressio n - base d  est i m ation   co m par ing   to  t he   act ual  data.   In   t his  pa pe r,   t en  diff e re nt  da ta set s  are  m ea su re d  a nd  the  no ise   le vel  ( k )  is  rangin g  fro m   50 %,  60%,   70%,   and   80%  as  ta bu la rized  in  T able s   7 - 10  res pecti vely .  The   resu lt s  in  m o st  cases  disp la y  the  est i m at ion   with   rand om   i m pu t at ion   (RI)  ca n  m ini m iz e  the  a ver a ge  e rro r.   I n  a dd it io n,  in  case  of  bulk  noise ,  t he  c om pu ta ti on  cost  for  al l  four   treat m ents  i s  approxim at ely  identic al .  It  confirm s  RI  is   the  m os t  eff ect ive  m echan ism   fo r   bu l k no ise  an al ysi s.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of r egressi on - base d model w it h b ulk noisy  data   ( Cha ni nto r n  Ji tt awiri yan uk oo n )   3655   Table  7 .   A ver a ge perce ntage   of er ror fo r   te n  di ff e ren t  da ta set s   ( k =0 .5)   k   = 0.5   Dataset   DU   MV   DM   RI   1   1 2 5 .8   1 1 3 .6   1 4 0 .2   1 0 5 .7   2   7 3 .65   7 4 .64   8 0 .17   7 2 .7   3   1 7 .3   1 7 .6   3 2 .8   1 6 .9   4   2 5 .8   2 5 .2   4 7 .3   2 6 .5   5   8 2 .3   5 0 .4   3 3 .4   2 3 .2   6   2 5 .7   2 2 .7   5 6 .1   2 5 .5   7   2 9 .03   2 7 .88   2 8 .57   2 5 .2   8   2 4 .25   2 4 .28   3 3 .5   2 5 .1   9   5 6 .6   5 6 .8   69   55   10   2 5 .6   2 2 .1   2 4 .9   4 4 .9     Table  8 .   A ver a ge perce ntage   of er ror fo r   te n  di ff e ren t  da ta set s   ( k =0 .6)   k   = 0.6   Dataset   DU   MV   DM   RI   1   1 2 8 .8   114   1 4 6 .9   1 1 5 .7   2   7 4 .4   7 4 .2   8 0 .2   7 3 .3   3   1 7 .2   1 7 .7   3 6 .1   1 8 .3   4   2 5 .6   2 4 .9   46   2 4 .6   5   8 3 .2   4 4 .8   3 3 .5   2 3 .2   6   2 4 .7   23   63   2 5 .9   7   2 8 .7   2 7 .1   2 7 .8   2 4 .7   8   2 4 .4   2 4 .3   3 2 .1   2 4 .5   9   5 6 .3   5 6 .7   6 7 .9   5 4 .7   10   2 4 .8   2 1 .2   2 4 .2   5 0 .3         Table  9 .   A ver a ge perce ntage   of  er ror fo r   te n  di ff e ren t  da ta set s   ( k =0 .7)   k   = 0.7   Dataset   DU   MV   DM   RI   1   1 3 3 .3   1 1 8 .5   1 5 5 .3   9 8 .8   2   7 3 .1   7 3 .3   7 9 .3   7 2 .3   3   1 6 .8   1 7 .7   41   1 7 .9   4   2 5 .2   2 4 .8   4 5 .7   2 2 .2   5   8 3 .7   4 0 .3   3 3 .4   2 3 .3   6   2 6 .4   2 4 .4   6 9 .4   2 5 .6   7   3 0 .6   2 8 .6   2 9 .3   2 5 .9   8   2 4 .6   2 4 .3   3 0 .7   2 5 .2   9   5 6 .1   5 6 .8   6 5 .4   5 4 .9   10   2 4 .9   2 1 .1   2 4 .2   4 4 .3         Table  10 .   Av e r age  per ce ntage  of err or   f or   te n  di ff e ren t  da ta set s   ( k =0 .8)   k   = 0.8   Dataset   DU   MV   DM   RI   1   1 5 1 .2   1 2 6 .8   1 8 9 .1   1 1 0 .6   2   6 9 .9   6 9 .6   7 9 .8   6 9 .4   3   1 6 .3   1 7 .3   4 5 .3   1 6 .7   4   2 5 .1   2 4 .9   4 7 .5   2 4 .3   5   8 4 .1   3 4 .6   3 5 .2   2 3 .4   6   27   2 4 .8   7 9 .6   2 7 .8   7   3 2 .7   2 9 .3   34   2 8 .1   8   2 4 .6   2 4 .1   2 8 .8   2 5 .1   9   5 5 .6   5 6 .6   6 2 .8   5 2 .9   10   2 5 .2   2 1 .6   2 4 .8   3 6 .3         5.   CONCL US I O N     In   t his  pa pe r,  a  re gr essi ve - base d  est im a tio n  is  prese nted  as  on e   of  t he  ef fecti ve  t oo ls  of  data   analy ti cs.  I n  pract ic e,  the   an al yt ic al   data  after  c ollec ti on   has  st um bled  upon  th e  no is y  data  wh ic h  r eflect s  directl y  to  con t ents  f ound  in  instances  or   at tr ibu te s  in  the  da ta set .  The  pro blem   of   no ise   values  is  c omm on   in   countle ss  stu di es  and  can  disco ntin ue  th e  rest  in  dat a  cur at io n.  It   has  bee n  ex te ns ively   ta ke n  int o  consi der at io n  i n  the  case  of   t reatm ents  so   t hat  the  on go i ng  analy sis  can   be  fig ured  ou t.  Hen ce ,  this  arti cl e   deep ly   inv e sti gates  the  influe nce  of   bu l k  noise   data  and   t he  pr eci si on   of  ind ivi dual   treatm ent  af te r  getti ng  ov e r.   Te n  diss i m i la r  dataset s  with  differe nt  no ise   le vel  ar e  ta ken   up  to  est i m at e   by  us ing   re gr e ssive  base d  m od el s  against   the  act ual   val ues.  The   ave ra ge  per ce ntage   of   er rors  from   fou r  pro po se d  treat m ents,  na m ely   DU,  MV,  DM,  an d  RI  are  s tud ie d  for  a  bulk  no ise   filt erin g  ap proac h.  It  is  pr ove n  that  RI  dese rv e s  th e   identic al   com pu ta ti on   c os t,   c an  be  util iz ed  for  bu l k  no ise   treat m ent,  and   ou t perform s   than   ot her s   in   m any  cases  for  the  est i m ation .  Dat a  char act erist ic s  su ch  as  co va riance  an d  kurt os is  analy sis  of   the  data  will   be  the   tria l of  t he fut ure re searc h.       REFERE NCE S   [1]   M.  J.  B asha   a nd  K .  P.   Kaliyam urthi e ,  " An  Im prove d  Sim il ari t y   M at ch ing  base d  Clust eri n g  Fram ework   for     Short  and  Sent e nce   Le ve l  T ext, "   Inte rnational   Journal  of  El e c tric al  and   Computer  Engi n ee ri ng ,  v ol .   7,   no.   1,     pp.   551 - 558 ,   20 1 7 .   [2]   S.   J.  L ee  and  J.   Y.  Jian g,   " Multi la b el  Te x t   Categorizat ion   Based  on   Fuz z y   Re le van ce  Cluste ring , "  IE EE  Tr ansacti ons on Fuzz y  Syste ms ,   v ol.   22 ,   pp .   1457 - 1471,   2014 .   [3]   V.  T.  W ei ,   Y.  L u,   H.  Ch ang,  Q.   Zhou  and   X.  B ao,   "A   sem ant i c   appr oa ch  for  text  cl ust eri ng  usi ng  W ordNet   an d   le xi ca l   ch ai ns , "  Ex pert   Syste ms   wit h  App licati on s ,   vol. 42, pp. 22 64 - 2275,   2015 .   [4]   C.   End ers,   Appl i ed  Missing  Data   Analysis ,   New   York :   Guilford   Press ,  2010.   [5]   G.  Li u,   Y .   W ang ,   T.   Zha o ,   and  D .   Li,  "Resea r ch  o n  the   par al l el   t ex t  cl uste ring  a lgor it hm   base d  on  th e  sem ant ic   tree , "  Proce ed ing  of  t he  6th  Inte rnat i onal  Confe renc e   on  Computer  Sci en ce s  and  Co nve rgenc e  Infor mation  Technology   ( ICCIT ) ,  pp.   400 - 403,   201 1 .   [6]   K.  Shi  and  L.   Li ,   "H igh  per fo rm anc e  gene t ic   al gorit hm - base d   te xt  cl uster ing  using  par ts  of  s pee ch  and  out lier   el imination , "  Ap pli ed   Intelli g ence,   vo l. 38, pp. 51 1 - 519,   2013 .   [7]   C.   L i,  Y.  Ta n ,   a nd  J.   Kong,   "A n  Maha l anobi s  di stanc es  b ase d  text  c luste ring   a lg orit hm , "  Int ernati onal   Con fe ren c e   on  Aut omat ic   Co ntrol  and  Arti f ic i al  Int el l ige nc e  ( ACA I) ,  pp.   465 - 468 ,  2012 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19 :   3649  -   3656   3656   [8]   S.  Bano,   K.   R.   Rao  and  E.   S .   P rak ash,   "P art i al   Conte xt  Sim il ar i t y   of  Gen e/ Prot ei ns  in   Le uk emia  Us ing  Conte xt   Rank  Based  Hie rar chica l  C luste r ing  Algorit hm , "   Inte rnational   J ournal  of  El ectric al  and   Computer  Engi ne erin g   ( IJE CE) ,   vol. 5 ,   no.   3 ,   pp .   483 - 4 90,   201 5.   [9]   M.  A.  Shabir   and  P.   T.  Dee pal i ,   " Sate llite   Im age   Denoising  Us ing  Discre te   Cosine   Tra nsform ,"   Indone sian  Journal   of  E le c tric al   En gine ering   and  In formatic s   ( IJE EI ) ,  v ol.   5 ,   pp .   3 72 - 375 ,   2017 .   [10]   A.  Bife t ,   R .   Kirk b y ,   G.   Holm es  a nd  B.   Pfahring er ,   " MO A:  Mass ive   Online Analy si s , "   Journal  of  M achi ne  Learning   Re search ,   vol .   1 1,   pp .   1601 - 160 4,   2010 .   [11]   G.  Madhu ,   e t. a l. ,   " A  Non - Para m et ri c  Discre ti z at i on  Based  Im puta ti on  Algor it hm   for  Conti nuous   Attri but es  with   Miss ing  Data   V a lue s, "   In te rnatio nal  Journal   of   In formation  Proc e ss ing ,   vol. 8, no. 1, 64 - 72,   2014.   [12]   A .  Purw ar  and  S .   K .   Singh,  " Hy brid   p red i ct ion   m odel   with  m issing  val ue  imp uta ti on  for  m edica l   d at a , "   E xpe r t  Syst ems wi th   Ap p li cations ,   vo l.  4 2,   no . 13 ,  pp.   562 1 - 5631 ,   2015 .   [13]   G.  Madhu  and  G .   Naga ch andr ika,   " A ne w pa rad igm for  deve lopm ent   of  dat a  imput at ion  appr o ac h  f or  m issing va lue   esti m at ion , "   Inter nati onal  Journ al  of  Elec tric al  and  Computer  Engi nee ring   ( IJECE) ,   vol.   6,   no .   6,   pp.   3222 - 322 8,   2016.   [14]   R.   Thi rum aha l  a nd  Pati l  A.  Dee pal i ,   " KN N  and  ARL  Based  Im p uta ti on  to  Est imate   Miss ing  Value s , "   Indone sian   Journal  of   Elec t rical   Engi ne erin g  and  Informati c s   ( IJE EI) ,   vol. 2 ,   no.   3 ,   pp.   119 - 1 24,   2014 .   [15]   Nee raj   R aheja   a nd  V.  K.  Katiy a r,   " Noise  red uc t ion  appr oa ch  ba sed  on  n  x  1  table  and  XS L  di spla y   m e thod  fo r  eff icient web  d ata  ex tracti on , "   Int ernati onal   Journ al  of   Compute r  Appl ic a ti ons ,   vo l.   64 ,   2013 .   Evaluation Warning : The document was created with Spire.PDF for Python.