b. Clustering: Outliers may be dete

b. Clustering: Outliers may be detected by clustering, where
similar values are organized into groups or “clusters".
Intuitively, values which fall outside of the set of clusters may
be considered outliers in Figure.
c. Regression: Data can be smoothed by fitting the data to a
function, such as with regression. Linear regression involves
finding the “best" line to fit two variables, so that one variable
can be used to predict the other. Multiple linear regression is an
extension of linear regression, where more than two attributes
are involved and the data are fit to a multidimensional surface.
Using regression to find a mathematical equation to fit the data
helps smooth out the noise.

Results (Indonesian) 1:

b. pengelompokan: Outliers dapat dideteksi oleh pengelompokan, mananilai ini diatur ke dalam kelompok atau "cluster".Secara intuitif, nilai-nilai yang jatuh di luar kumpulan cluster mungkindianggap outliers dalam gambar.c. regresi: Data dapat merapikan dengan pas datafungsi, seperti dengan regresi. Regresi linear melibatkanmenemukan baris yang "terbaik" cocok dua variabel, jadi yang satu variabeldapat digunakan untuk memprediksi yang lain. Multiple regresi linear adalahekstensi regresi linear, dimana lebih dari dua atributterlibat dan data cocok ke permukaan multidimensi.Menggunakan regresi untuk menemukan persamaan matematika untuk menyesuaikan datamembantu kelancaran keluar kebisingan.

Results (Indonesian) 2:

b. Clustering: Outliers dapat dideteksi oleh clustering, di mana
nilai-nilai yang sama akan disusun dalam kelompok atau "cluster".
Secara intuitif, nilai-nilai yang berada di luar himpunan cluster mungkin
outlier dipertimbangkan dalam Gambar.
Regresi c. Data dapat dihaluskan oleh pas data ke
fungsi, seperti dengan regresi regresi. Linear melibatkan
menemukan "terbaik" baris untuk menyesuaikan dua variabel, sehingga satu variabel
dapat digunakan untuk memprediksi lainnya. Regresi linier berganda adalah
perluasan dari regresi linier, di mana lebih dari dua atribut
yang terlibat dan data yang cocok untuk permukaan multidimensi.
Menggunakan regresi untuk menemukan persamaan matematika untuk menyesuaikan data
membantu kelancaran keluar kebisingan.