詳細解釋
異常值（Outlier）是與數據集中其他觀測值顯著不同的數據點，可能由錯誤、噪聲或真實異常造成，需要識別和適當處理。
檢測方法：
- 統計方法：
- Z-score：距離均值>3標準差
- IQR：超出1.5×IQR範圍
- Grubbs檢驗
- 機器學習：
- Isolation Forest
- One-Class SVM
- LOF（局部異常因子）
- Autoencoder重建誤差
- 距離方法：
- KNN距離
- 聚類異常
處理策略：
- 刪除：確定錯誤時
- 轉換：對數變換減少影響
- 魯棒方法：使用中位數而非均值
- 標記：作為特徵
- 單獨分析：研究異常原因
應用場景：
- 欺詐檢測：異常交易
- 故障檢測：設備異常
- 數據質量：清洗錯誤
- 安全：入侵檢測
注意：
- 不要自動刪除：可能丟失信息
- 領域知識：判斷是否真實異常
- 可視化：箱線圖、散點圖
- 業務影響：錯誤決策風險
異常值處理需謹慎。