數據科學異常值檢測原理之經驗法則
數據科學異常值檢測原理之經驗法則
2020-03-19 12:04:30 來源：阿里云棲社區
搶沙發
2020-03-19 12:04:30 來源：阿里云棲社區
摘要：數據樣本符合標準正態分布，正態分布的核心是中心極限定理即：如果一個事物受到多種因素的影響，不管每個因素本身是什么分布，它們加總后，結果的平均值就是正態分布。
關鍵詞：
數據科學
前提：
數據樣本符合標準正態分布，正態分布的核心是中心極限定理即：如果一個事物受到多種因素的影響，不管每個因素本身是什么分布，它們加總后，結果的平均值就是正態分布。如果要符合正態分布則這些因素必須彼此獨立，彼此不獨立的各項因素會互相加強影響，那么就構不成正態分布。(還有對數正態分布是指各種因素對結果的影響不是相加，而是相乘)
經驗法則原理：
標準正態分布下的曲線為鐘型曲線，期望值μ決定了其位置，其標準差σ決定了分布的幅度。當μ = 0,σ = 1時的正態分布是標準正態分布。因此對于一組數據，如果符合正態分布，則可以通過經驗法則來檢測異常值，同圖中可以發現，68.2%的測量值落在μ值處正負一個標準差σ的區間內，95.4%的測量值將落在μ值處正負兩個標準差σ的區間內，99.7%的值落在μ值處正負三個標準差σ的區間內。因此，對于一組符合正態分布的數據，如果某個值距離μ值超過三個標準差σ則可以判斷這個值屬于異常數據。
計算步驟：
μ值：μ是遵從正態分布的隨機變量的均值，由于前提是各種因素對結果的影響為相加，因此μ值的計算可以為樣本數據的算術平均值。
標準差σ：所有數據減去其平均值的平方和，所得結果除以該組數之個數N(數據集為總體數據情況，一般用于大數據算法)或者個數N減1(數據集為樣本數據情況，認為數據集不是總體數據而是總體數據的一部分，一般用于統計學)，再把所得值開根號，所得之數就是這組數據的標準差。
判斷邏輯：計算μ+3σ，μ-3σ，當單個數據大于μ+3σ或者小于μ-3σ時，認為此數據為異常值，因為按照經驗法則，此數據在數據集的99.7%范圍外。
第三十屆CIO班招生
法國布雷斯特商學院碩士班招生
北達軟EXIN網絡空間與IT安全基礎認證培訓
北達軟EXIN DevOps Professional認證培訓
責編：baiyl
