R语言 robustbase包 adjOutlyingness()函数中文帮助文档(中英文对照)

loveR

adjOutlyingness(robustbase)
adjOutlyingness()所属R语言包：robustbase

                                        Compute Skewness-adjusted Multivariate Outlyingness
                                         计算偏态调整的多因素Outlyingness

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

For an n * p data matrix (or data frame) x, compute the “outlyingness” of all n observations. Outlyingness here is a generalization of the Donoho-Stahel outlyingness measure, where skewness is taken into account via the medcouple, mc().
n * p数据矩阵（或数据框）x，计算的“outlyingness”的所有n观察。 Outlyingness这里是一个概括的Donoho提出的Stahel outlyingness措施，其中偏态是考虑通过的medcouple，mc()的。


用法----------Usage----------


adjOutlyingness(x, ndir = 250, clower = 3, cupper = 4,
                alpha.cutoff = 0.75, coef = 1.5, qr.tol = 1e-12)



参数----------Arguments----------

参数：x
a numeric matrix or data.frame.
一个数字matrix或data.frame。


参数：ndir
positive integer specifying the number of directions that should be searched.
正整数，指定的数量应搜索的方向。


参数：clower, cupper
the constant to be used for the lower and upper tails, in order to transform the data towards symmetry.
将常数用于下部和上部的尾巴，在以朝向对称变换数据。


参数：alpha.cutoff
number in (0,1) specifying the quantiles (α, 1-α) which determine the “outlier” cutoff.
（0,1）指定的位数(α, 1-α)确定截止的“异常值”。


参数：coef
positive number specifying the factor with which the interquartile range (IQR) is multiplied to determine "boxplot hinges"-like upper and lower bounds.
正数指定的四分位范围（IQR），乘以系数来确定“盒形图hinges般的上限和下限。


参数：qr.tol
positive tolerance to be used for qr and solve.qr for determining the ndir directions, each determined by a random sample of p (out of n) observations.
正公差，用于qr和solve.qr确定ndir方向时，由随机抽样的p（满分n）观察。


Details

详细信息----------Details----------

FIXME:  Details in the comment of the Matlab code; also in the reference(s).   
FIXME：详细的Matlab代码的注释中，也引用（S）。

The method as described can be useful as preprocessing in FASTICA (http://www.cis.hut.fi/projects/ica/fastica/; see also the R package fastICA.
所述的方法可能是有用的作为预处理中的FastICA（http://www.cis.hut.fi/projects/ica/fastica/看到的R套件“fastICA。


值----------Value----------

a list with components
与组件的列表


参数：adjout
numeric of length(n) giving the adjusted outlyingness of each observation.
数字，length(n)的给调整outlyingness每个观察。


参数：cutoff
cutoff for “outlier” with respect to the adjusted outlyingnesses, and depending on alpha.cutoff.
截止“异常值”与调整后的outlyingnesses的，根据alpha.cutoff。


参数：nonOut
logical of length(n), TRUE when the corresponding observation is non-outlying with respect to the cutoff and the adjusted outlyingnesses.
逻辑length(n)，TRUE时，对应的观察是相对于截止和调整outlyingnesses非外围。


注意----------Note----------

The result is random as it depends on the sample of ndir directions chosen.
结果是随机的，因为它依赖于ndir方向选择的样本。


（作者）----------Author(s)----------


Guy Brys; help page and improvements by Martin Maechler



参考文献----------References----------

A Robustification of Independent Component Analysis; Journal of Chemometrics, 19, 1–12.
http://wis.kuleuven.be/stat/robust.html

参见----------See Also----------

the adjusted boxplot, adjbox and the medcouple, mc.
调整后的盒形图，adjbox和medcouple，mc。


实例----------Examples----------


## An Example with bad condition number and "border case" outliers[＃为例恶劣条件下的数量和“边界情况下，”离群值]

if(FALSE) {## Not yet ok, because of bug in adjOutl[＃尚未确定，因为错误adjOutl]
  dim(longley)
  set.seed(1) ## result is random %% and there's a bug - FIXME! -- try set.seed(3)[＃结果是随机的％％，并有一个错误 -  FIXME！ - 尝试set.seed（3）]
  ao1 <- adjOutlyingness(longley)
  ## which are not outlying ?[＃这是边远？]
  table(ao1$nonOut)  ## all of them[＃所有的人都]
  stopifnot(all(ao1$nonOut))
}

## An Example with outliers :[＃异常值的范例：]

dim(hbk)
set.seed(1)
ao.hbk <- adjOutlyingness(hbk)
str(ao.hbk)
hist(ao.hbk $adjout)## really two groups[＃真正的两组]
table(ao.hbk$nonOut)## 14 outliers, 61 non-outliers:[第14离群点，61个非离群：]
## outliers are :[＃异常值是：]
which(! ao.hbk$nonOut) # 1 .. 14   --- but not for all random seeds![1。 14 ---但不是所有的随机种子！]

## here, they are the same as found by (much faster) MCD:[＃在这里，它们是相同的（更快）MCD发现：]
cc <- covMcd(hbk)
stopifnot(all(cc$mcd.wt == ao.hbk$nonOut))

## This is revealing (about 1--2 cases, where outliers are *not* == 1:14[＃这是揭示（约1  -  2例，异常值是*不* == 1:14]
##  but needs almost 1 [sec] per call:[＃，但需要近1秒]每次通话：]
if(interactive()) {
  for(i in 1:30) {
    print(system.time(ao.hbk <- adjOutlyingness(hbk)))
    if(!identical(iout <- which(!ao.hbk$nonOut), 1:14)) {
         cat("Outliers:\n"); print(iout)
    }
  }
}


转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。