異常值的檢測方法主要可分為統計方法、機器學習方法和基於距離或密度的方法，這些方法能幫助識別數據中偏離正常模式的點，常用於資料清理、風險控制及異常事件偵測。
常見異常值檢測方法：
1. 統計方法• Z-Score標準化：計算數據點距離平均值的標準差距離，通常超過3倍標準差的被視為異常。
• 四分位數範圍法（IQR）：計算上四分位數（Q3）和下四分位數（Q1）之間的距離，凡超過 或 的數據點視為異常。
• 假設檢驗：基於特定分布假設檢驗數據點是否符合該分布。
2. 距離和密度方法
• 最近鄰距離（k-NN）：計算數據點與其最近鄰的距離，距離大者判定為異常。
• 局部離群因子（LOF）：評估點密度相對於其鄰居的密度，密度明顯較低的為異常值。
3. 機器學習方法
• 孤立森林（Isolation Forest）：透過隨機切割數據以孤立異常點，異常點被孤立的平均步驟較少。
• 支持向量機異常檢測（One-Class SVM）：找出包圍正常數據的超平面，外部點為異常。
• 自編碼器（Autoencoder）：利用神經網絡重建數據，重建誤差高的點被視為異常。
• 時間序列異常檢測：對於時序數據，利用趨勢、季節性分解及預測誤差來識別異常。
檢測異常值的挑戰：
• 特徵選取難題，異常值的表現形式多樣。
• 正常與異常邊界不明確。
• 標記資料缺乏，異常資料稀少。
• 資料噪聲和動態變化影響檢測準確度。
簡單比喻：
異常檢測就像是在一大群人中找出不合群的那幾個特別的“奇葩”，方法多樣且各有側重。
總結：
異常值檢測方法包括統計指標、距離密度評估與多種機器學習技術，根據特定應用與數據類型選擇合適方法，以精準識別與處理異常數據。
