python 异常点检测 cook距离_数据分析师所需的统计学：异常检测
近期，工作需要试了很多异常检测的方法，统计学和算法相关的都有，所以来总结一下。
在本篇文章主要从原理、python实现、局限的方式讲述以下几种统计学的异常检测的方法：
1、3Sigma
2、Numeric Outlier
3、格拉布斯准则（Grubbs算法）
4、多维度异常检测：马氏距离
1、3igma
原理：
3Sigma又称为拉依达准则，这种判别处理原理及方法仅局限于对正态或近似正态分布的
样本数据处理，原则：
数值分布在（μ-σ,μ+σ)中的概率为0.6827
数值分布在（μ-2σ,μ+2σ)中的概率为0.9545
数值分布在（μ-3σ,μ+3σ)中的概率为0.9973
所以，数据在（μ-3σ,μ+3σ)的概率低于0.01，我们可以称这些数据为异常值。
Python实现：
1、依据历史数据计算出正常区间（μ-3σ,μ+3σ)
2、判断目标数据是否有异常值
#输出正常区间
<
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！