异常值的检验与处理思维导图

使用箱形图可视化数据，箱体外的点（超出1.5倍四分位距的点）被视为离群点。

计算每个数据点的Z-score（标准分数），如果Z-score的绝对值大于某个阈值（通常是3），则该数据点被视为离群点。

使用PCA降维，并在主成分空间中识别离群点，可以通过观察主成分得分的分布来判断。

使用K-means、DBSCAN等聚类算法，离群点通常是那些不属于任何集群的点。

计算每个点到均值的Mahalanobis距离，通常情况下，如果距离超过某个临界值，则被视为离群点。

计算数据点之间的曼哈顿距离，绝对差值之和超过阈值的点被认为是异常值。

计算数据点与最近的K个点的距离之和，超过阈值的点被认为是异常值。

一种基于树的算法，通过构建随机树来识别离群点，适用于高维数据。

通过构建随机分割的决策树来识别异常值。

通过计算每个数据点的局部密度偏差来识别异常值。

通过簇中心分配数据点，距离簇中心较远的点可能是异常值。

通过构建聚类树，孤立的点可能是异常值。