异常 value数据集将包含异常 large或异常 small的一个或多个值，这样的极值称为异常 values。识别异常值的过程在数据挖掘和机器学习中有很多名字，比如异常值挖掘、异常值建模和新颖性检测、异常检测，异常值判断在不同的数据中，判别异常值的标准是不同的，一般有以下几种:(1)数超过一定的标准值，这是最常用的判断异常值的方法之一。
异常 value是指样本中某些值明显偏离其余值的样本点，所以也叫离群值。异常价值分析就是找出这些离群值，然后进行分析。异常值判断在不同的数据中，判别异常值的标准是不同的，一般有以下几种:(1)数超过一定的标准值，这是最常用的判断异常值的方法之一。主要看数据中的最大值或最小值，根据专业知识或个人经验判断是否超出理论范围值，数据中是否存在明显的不符合实际情况的误差。
或者，如果问卷数据用15级量表学习，有2、3个数据，可能提示为跳题、空选等。(2)数据大于3标准差3σ的原理常用于数据服从正态分布的情况。在这种情况下，异常 value定义为与平均值的偏差超过标准偏差3倍的值。在数据处理中，根据正态分布的性质，超出三个标准差的数据可视为错误数据，从而被排除。
1。排除方法是直接删除数据中的异常值。2.替换法是将数据中异常的值替换为其他合适的值，如平均值、中值等。这种方法可以在保持数据完整性的同时消除异常 value的影响。3.变换方法是将数据中异常的值进行变换，使其符合正态分布或其他特定分布。这种方法可以消除异常值对后续分析的影响。
3、数据预处理_ 异常值处理3σ原理是指如果数据服从正态分布，则异常的值定义为一组测量值与其平均值之差的绝对值超过3倍标准差→p(|xμ|>3σ)≤0.003！但要使用3σ原理，就需要先判断数据是否服从正态分布，然后再使用该原理进行判断异常值正态性检验，是指利用观测数据判断总体是否服从正态分布的检验。是统计判断中拟合优度假设检验→正态性检验的一种重要的特殊方法:KS检验由返回的D值和P值导出，数据集各列符合正态分布规律。
4、为什么库克距离大于一定值时就认为是 异常值?因为Cook的Distance描述的是单个样本对整个回归模型的影响。库克距离越大，影响越大。在最理想的情况下，每个样本对模型的影响是相等的。如果样本的库克距离很大，可以视为异常离群值。异常 value是指一组与平均值的偏差大于两倍标准差，与平均值的偏差大于三倍标准差的测量值，称为身高异常异常value。
是否排除异常的值，要看具体情况。回归分析或方差分析模型中的扩展数据，衡量一个观察值对一组回归系数的影响。有影响力的观察对模型有不成比例的影响，并且会产生误导性的结果。例如，一个显著的系数可能看起来不显著。有影响的观察可以是杠杆率点，异常 value或者两者都有。库克距离在确定对回归系数的影响时，会考虑每个观测值的杠杆率和标准化残差。
