异常值检测

统计学方法：使用平均值和标准差来识别数据中落在正常范围之外的点。例如，3个标准差之外的数据点可视为异常值。

箱线图：通过绘制箱线图，识别远离四分位范围（通常1.5倍四分位距之外）的数据点作为异常值。

Z分数：计算每个数据点的Z分数，判断其是否为异常值。Z分数高于某个阈值（如3或-3）时，被视为异常。

回归分析：使用回归模型预测数据中观察值，比较实际值与预测值之间的残差，较大的残差可能意味着异常。

聚类分析：基于相似性对数据进行聚类，距离簇中心较远的点可能被视为异常。

局部异常因子（LOF）：通过比较某一点与其邻域的密度来识别异常，如果其密度明显低于周围密度，则为异常。

机器学习方法：使用支持向量机、一类分类、随机森林等算法训练模型检测异常。

上下文异常检测：根据具体应用场景和环境对应上下文，结合领域知识进行异常值识别。

1. 统计分析工具：统计分析工具用于识别数据集中的异常值或离群点，通过计算平均值、标准差和分布等统计方法来检测显著偏离预期模式的数据点。

2. 机器学习模型：利用训练有素的机器学习模型（如异常检测算法、聚类算法）识别异常值，模型通过学习数据正常模式来检测那些显著不同的数据点。

3. 数据可视化工具：通过可视化图表（如箱线图、散点图等）揭示数据集中可能的异常点，便于直观发现偏离整体趋势的数据。

4. 时间序列分析工具：特别适用于时间序列数据，通过识别模式中不可预期的变化来检测异常，例如使用移动平均、指数平滑等技术。

5. IQR（四分位距）法：利用四分位距法则，通过计算数据集的四分位范围和设置阈值来识别潜在的异常值。

6. Z-score方法：计算每个数据点的Z-score（标准分数）以确定其是否显著偏离总体平均值，用于标准化数据集中检测异常点。