数据中的异常值，应该单独删除吗？

不少人曾问我：我的数据中所有诱发个数，是不是应当封禁？要问到这个问题，我们不能从诱发个数的概念来曾说。可能有的人心里诱发个数较好阐释，不就是“诱发”的个数吗？最重要是，怎样才算诱发呢？同上：在10个数据中所（下图蓝色点）人为投身红、绿、蓝色的3个点，它们都是诱发个数吗？诱发个数其实是一个十分宽泛的概念，它仅仅包所含了三种举同上：(1) 离群个数（outliner）离群个数是所指从因变量y的出发点来看不属于诱发的个数，如图中所的黄色点和浅绿色点，背离y的均个数较其它点更几倍。离群个数多半采用学生化残差来判断。(2) 高凸轮个数（high leverage）高凸轮个数是所指从自变量x的出发点来看不属于诱发的个数，如图中所的蓝色点和浅绿色点，在x轴上背离x的均个数较几倍。高凸轮个数多半采用凸轮个数来判断。(3) 极强因素个数（influential observation）极强因素个数是所指对仿真因素更大的个数，意味著，如果封禁了该个数，会导致仿真时有发生极大背离（如系个数背离更大）。极强因素点多半采用COOK'D个数、DFBETAS和DFFITS来判断。下图相对了完全相同诱发个数对仿真意味著效果的因素。图中所蓝色实支线表示不所含这3个诱发个数的意味著支线，浅绿色、黄色、蓝色虚支线分别表示所含浅绿色点、黄色点、蓝色点时的意味著支线。不难看出，所掺入浅绿色点时，对仿真意味著因素仍然不大（与蓝色实支线仍然意味著）；所掺入蓝色点时，意味著支线被向右拉低，即回归系数几倍低于蓝色实支线；所掺入黄色点时，意味著支线也被拉低。如果要判断的话，浅绿色点虽然从x朝著和y朝著上都背离均个数，但却不是极强因素点；蓝色点和黄色点才是极强因素点，因为单独的任一点便可以导致系数时有发生极大背离。我们现在已经心里了如何判断一个点是不是诱发点，紧接着的问题就是，如果我挖掘出了诱发点，应当怎么解决问题？不少人习惯简单毫不留情的方法，即这样一来封禁。这并不是不错的自行，有时甚至会让你错过一些真正的连续性。当你挖掘出诱发个数后，一定要先分清是什么原因导致的诱发个数，然后再进一步如何解决问题。如果是不属于录入差错或实验室记录差错等，这很容易，赶紧修改即可。如果不是录入差错，而是无论如何不存在这样的诱发个数，这时不能根据完全相同举同上来分别对待。首先，如果这一诱发个数并不象征性一种连续性性的，而是极其无意间的反常，或者说你并一定会研究课题这种无意间的反常，这时可以将其封禁。同上如，你要研究课题身高与体温的联系，但你的研究课题年轻人中所恰好划入了姚明，这种只能下，可以将其封禁，只用其他人透过深入研究。因为这并不象征性一种连续性性的反常，而且你可能也一定会研究课题特殊的只能。其次，如果诱发个数不存在且象征性了一种真实不存在的反常，那就不能随便封禁。比如调查了100个村的胃癌感染率，可能无论如何有个别居住地的感染率相比高于其它村，这时就不能随便封禁，而是要把这些诱发点划入，更进一步意味著仿真，研究课题其连续性。同上：某实验室检测了细菌培养乳糖量与时间段的联系，主考透过深入研究。很明显，下图中所的两个红点是诱发点，可以让支标量回归的系数时有发生剧烈背离。那这种只能下是不是不能封禁这两个个数呢？首先看一下这两个个数是不是实验误差，如果这两个个数是准确的，那它很可能象征性了一种真实只能。意味著，短时间内增长减慢，但是到了一个最重要时间段点后（如30），种群量就会骤增。此时如果你这样一来封禁这两个点，就不能真正挖掘出这种连续性。所以我们可以划入这两个点，但是不能意味著支标量回归，而是要根据其形状意味著非支标量仿真。如此处可以考虑对时间段time透过所加权叠加，可以挖掘出叠加后仿真更能有效意味著数据。