離群值（outlier）

離群值是一個遠離大眾的資料點——就是那個讓你忍不住再看一眼的值。在一個人人考60到90分的班裡，單單一個5分就是離群值。它也許是一個真實的極端案例，也許是一處錯誤；把這兩者分辨開來，正是這項工作的大半。

離群值出自兩個截然不同的來源。有些是錯誤：手滑打錯的數字（把一個人的體重寫成1500公斤）、壞掉的感測器、單位搞混。另一些則真實但罕見：一筆確實巨額的交易、一位的確不尋常的病人。關鍵在於，你無法僅憑那個數字就判斷它屬於哪一種——你必須去調查。從統計上看，離群值常被識別為「離均值許多個標準差」的值，或落在資料主體之外很遠處，但被標記出來只是一份「請你去看一看」的邀請，而非一道「自動刪除」的判決。

為何重要：寥寥幾個極端點就能拉偏一個平均值、扭曲一條擬合的直線，並主導基於尺度的預處理，結果模型變得只盯著那些怪胎、而非典型情形。但盲目刪除離群值是危險的——在詐欺偵測或罕見病篩查裡，離群值恰恰正是你要找的東西。誠實的做法是：弄清每個離群值的成因，再做選擇：修正它、保留它、給它封頂，或為它單獨建模。這裡沒有放之四海皆準的規則。