异常值检测方法

1. Z分数法（Z-Score）：

基于数据点与数据集均值之间的标准差的差异来识别异常值。通常，Z分数大于或小于某个阈值（例如3）的数据点被认为是异常值。

2. 箱线图方法（Box Plot）：

使用箱线图可以直观地检测异常值。异常值通常是箱线图上下边界之外的数据点。

3. 马哈拉诺比斯距离（Mahalanobis Distance）：

基于多变量数据的马哈拉诺比斯距离来测量观测值与数据集的距离。距离远离数据集中心的观测值可能被认为是异常值。

4. 孤立森林（Isolation Forest）：

孤立森林是一种基于树结构的算法，它通过构建随机树来识别异常值。孤立森林倾向于将异常值孤立在树的较短路径上。

5. LOF（局部离群因子，Local Outlier Factor）：

LOF算法度量了数据点与其附近数据点的密度差异，从而识别异常值。密度较低的点可能被视为异常值。

6. K近邻算法（K-Nearest Neighbors）：

基于K近邻的方法可以通过比较一个数据点与其最近的邻居来识别异常值。如果一个数据点与其邻居差异较大，它可能是异常值。

7. HBOS（直方图基于离群值得分，Histogram-based Outlier Score）：

HBOS使用直方图来计算每个数据点的异常值得分。得分较高的数据点被认为是异常值。

8. Elliptic Envelope：

这是一种基于椭圆模型的方法，它假定数据符合多变量高斯分布，并尝试识别与该模型不匹配的数据点。

9. One-Class SVM（支持向量机）：

One-Class SVM是一种监督学习算法，它用于学习数据集的正常数据的边界，并识别与这些边界不一致的数据点。

10.  基于深度学习的方法：

深度学习模型如Autoencoders和Variational Autoencoders也可以用于异常值检测，通过重建数据来识别异常值。