异常值检查与处理

异常值的定义:

异常值,即在数据集中存在不合理的值,又称离群点,如下所示:


异常值判别方法:

1.简单统计法

对属性值进行一个描述性的统计,从而查看哪些值是不合理的。比如:对待一个人的身高,不可能说有人的身高出现3m等以上的;如果是能使用图像直接显示数据的话,可以直观的直接直观的从图片中得出异常值

2. 3δ原则

当数据服从正态分布:

根据正态分布的定义可知,距离平均值3δ之外的概率为 P(|x-μ|>3δ) <= 0.003 ,这属于极小概率事件,在默认情况下我们可以认定,距离超过平均值3δ的样本是不存在的。 因此,当样本距离平均值大于3δ,则认定该样本为异常值。

当数据不服从正态分布:

当数据不服从正态分布,可以通过远离平均距离多少倍的标准差来判定,多少倍的取值需要根据经验和实际情况来决定。

3.箱型图分析

箱型图提供了一个识别异常值的标准,即大于或小于箱型图设定的上下界的数值即为异常值,箱型图如下图所示:

首先我们定义下上四分位下四分位

上四分位我们设为 U,表示的是所有样本中只有1/4的数值大于U 

同理,下四分位我们设为 L,表示的是所有样本中只有1/4的数值小于L

那么,上下界又是什么呢

我们设上四分位与下四分位的差值为IQR,即:IQR=U-L

那么,上界为 U+1.5IQR ,下界为: L - 1.5IQR

箱型图选取异常值比较客观,在识别异常值方面有一定的优越性。

4、格拉布斯检验法 

1

2马氏距离法 

下图是方法步骤 


异常值的处理方法常用有四种:

1.删除含有异常值的记录

2.将异常值视为缺失值,交给缺失值处理方法来处理

3.用平均值来修正

4.不处理


参考

https://blog.csdn.net/xzfreewind/article/details/77014587

https://blog.csdn.net/pandacsu/article/details/71159463

你可能感兴趣的:(异常值检查与处理)