离群点（outlier）

离群点是一个远离大众的数据点——就是那个让你忍不住再看一眼的值。在一个人人考60到90分的班里，单单一个5分就是离群点。它也许是一个真实的极端案例，也许是一处错误；把这两者分辨开来，正是这项工作的大半。

离群点出自两个截然不同的来源。有些是错误：手滑打错的数字（把一个人的体重写成1500公斤）、坏掉的传感器、单位搞混。另一些则真实但罕见：一笔确实巨额的交易、一位的确不寻常的病人。关键在于，你无法仅凭那个数字就判断它属于哪一种——你必须去调查。从统计上看，离群点常被识别为「离均值许多个标准差」的值，或落在数据主体之外很远处，但被标记出来只是一份「请你去看一看」的邀请，而非一道「自动删除」的判决。

为何重要：寥寥几个极端点就能拉偏一个平均值、扭曲一条拟合的直线，并主导基于尺度的预处理，结果模型变得只盯着那些怪胎、而非典型情形。但盲目删除离群点是危险的——在欺诈检测或罕见病筛查里，离群点恰恰正是你要找的东西。诚实的做法是：弄清每个离群点的成因，再做选择：修正它、保留它、给它封顶，或为它单独建模。这里没有放之四海皆准的规则。