BojanMiletic提出了关于异常使用机器学习算法时在数据集中进行值检测的问题。这篇文章是对他的问题的回答。许多机器学习算法对输入数据中属性值的范围和分布很敏感。输入数据中异常的值可能会扭曲和误导机器学习算法的训练过程，从而导致训练时间更长，模型更不准确，最终效果不佳。异常的数值是罗伯茨拍的。多诺万，有些权利是保留的。甚至在为训练数据准备预测模型之前，值异常可能会导致误导性表示，进而导致对收集的数据的误导性解释。
最后,异常的值可以表示与问题相关的数据实例的示例，例如欺诈检测和计算机安全中的异常异常的值是一个极值，远远超过其他观测值。例如，在正态分布中,异常的值可以是分布尾部的值。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。
6、均值- 异常值-中位数-众数均值、中值、众数等。都属于汇总数据的方法。都是为了表达数据中的中心化趋势，也就是抓住数据的核心，但只有其中一种不能准确表达这种趋势。注:平均值和均值我们常说的平均值，其实就是算术平均值，也就是平均数。因为平均数是一个很大的概念，比如几何平均数、调和平均数、加权平均数等。，平均值是指一组数据中所有数据的总和除以数据个数。
和每一个数据都有关系，是生活中最常见的。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。异常的存在会导致数据的集中趋势，也就是均值出现偏差，要么过大，要么过小。所以有时候数据分析要先排除异常值，当然要看情况。中位数按从小到大(或从大到小)排列一组数据，中间数(或两个中间数的平均值)为该组数据的中位数。
7、一文看懂数据清洗:缺失值、 异常值和重复值的处理作者:宋添龙，如需转载，请联系华章科技。数据丢失有两种:一种是线路记录丢失，也叫数据记录丢失；另一种是数据列值缺失，即数据记录中某些列的值由于各种原因而空缺。不同的数据存储和环境对缺失值有不同的表示，例如，在数据库中为Null，在Python中为None，在Pandas或Numpy中为NaN。在极少数情况下，某些缺失值会被空字符串替换，但空字符串肯定不同于缺失值。
丢失的数据记录无法找回。本文主要讨论如何处理数据列类型的缺失值。通常有四种思维方式。1.丢弃这种方法简单明了，直接删除有缺失值的行记录(整行删除)或列字段(整列删除)，减少缺失数据记录对整体数据的影响。但是丢弃意味着数据特征会降低，这种方法不适合以下任何一种场景。2.补码是比丢弃更常用的处理缺失值的方法。
8、自变量存在 异常值自变量存在异常 value，可通过以下方式处理:(1)手动剔除共线性自变量，先做相关分析，如果发现某两个自变量X(解释变量)的相关系数值大于0.7，剔除一个自变量(解释变量)，再做回归分析。但是，这种方法有一个小问题，就是有时候你根本不想从模型中去掉一个自变量。如果有这种情况，可以考虑用逐步回归让软件自动剔除，比较好的方法可能是用岭回归进行分析。
这种解决方案的问题是，算法可能会消除它不想消除的独立变量。如果出现这种情况，此时最好使用岭回归进行分析。(3)增加样本量是解释共线性问题的一种方法，但在实践中可能不适合，因为收集样本量需要时间和成本。(4)岭回归上面提到的第一种和第二种解法在实际研究中应用广泛，但问题是，如果不想在实际研究中剔除某些自变量，有些自变量是非常重要的，是不能剔除的。
9、 异常值处理异常数值处理的常用方法(1)在SPSS软件中直接删除这个观测值有两种不同的方法，整体删除和成对删除。当然，这种方法简单易行，但缺点也很明显，第一，我们经常会遇到观测值少，会导致样本量不足的情况。第二，很多直接删除的观测值还可能改变变量的原始分布，从而导致统计模型不稳定，(2)就目前而言，我们通常观察到的异常的值对于整个模型来说并不明显，不如综合分析，像回归分析。我们经常利用残差分布信息来判断模型的好坏以及残差是否超出经验范围( 3标准差)，此外，对于整个模型来说，一些指标，如Mahalanobis、Cooks和协方差比，可以为一个观察值或整体提供拟合信息，这些指标也会提示分析师的异常 value信息。
