android studio开发app项目OutlierStar_soft_test_1_34764_1756661295550.zip

离群检测在许多应用领域中显示出越来越高的实用价值，例如入侵检测，欺诈检测，电子商务中犯罪活动的发现等。 已经开发出许多用于离群值检测的技术，包括基于分布的离群值检测算法，基于深度的离群值检测算法，基于距离的离群值检测算法，基于密度的离群值检测算法和基于聚类的离群值检测。 频谱聚类作为近年来出现的竞争性聚类算法备受关注。 但是，它不能很好地扩展到现代大型数据集。 为了部分规避此缺点，在本文中，我们提出了一种受谱聚类启发的新的异常值检测方法。 我们的算法结合了kNN的概念和频谱聚类技术，通过在特征空间中统计地使用特征值和特征向量的信息，获得异常数据作为离群值。 我们将我们的方法与基于距离的离群值检测方法和基于密度的离群值检测方法的性能进行比较。 实验结果表明，我们的算法可以有效地识别异常值。

局部异常因子算法matlab实现，代码很全，点击tests.m即可运行

孤立点检测算法__A fastMST-inspired kNN-basedoutlierdetectionmethod.pdf

本书的书名《outliers》，指的是离群值或者叫异值，是统计学上的概念，格拉德威尔用这个词表示那些与众不同的人或者异常的现象。 　　例如，在夏天的巴黎，人们感受到的气温是介于温暖和很热之间。但想象一下，假如在八月中的一天里，气温突然变成了零度以下，这一天就是一个局外事件（或者说叫“黑天鹅”），这种情况就是个离群值。为什么我们夏天巴黎的气候是温暖或者炎热的知识是如此之多，而我们关于为什么夏天巴黎的气候变成零度的知识却是如此之少？通过回答类似这些问题，我们可以获得很多知识。而早在我们之前，马尔科姆•格拉德威尔，这个有着长长头发的《纽约客》怪才撰稿人已经给这些问题找到了答案，并写成了这本书。不过，他列举的不是巴黎的气温变化，而是我们生活的世界中，那些出类拔萃的人，他们是人群中的“离群值”，他们的成功是怎么回事？难道他们真的是一生下来，就注定成为人中翘楚？ 　　写作《异类：不一样的成功启示录》是因为，“我发现自己很难找到一种方式去解释真正成功的人背后的成功秘密。你知道人们说比尔•盖茨或者摇滚明星或者其他出类拔萃之辈时候的说法——‘他们尤其聪明’或者‘他们真的有野心’。而问题是，我认识很多非常聪明也很有野心的人，但是他们并不值600亿美元。这使我认识到我们对于成功的理解是非常原始的——而这就是一个很好的值得发掘的领域，你可以得出一种更好的解释。”格拉德威尔说。　　

MatlabRobustNonlinLsq：健壮的非线性最小二乘法的MATLAB函数

给定数据点的列向量 X，此函数创建两个向量，一个包含非异常值 Y，另一个包含异常值 out。 用户可以选择两种不同的方法之一，Grubbs的检验统计量或四分位间距法。 用户还可以选择去除异常值时的严格程度。 在这两种方法中，严格程度与参数 alpha 呈负相关（即 alpha 越高，识别和删除的异常值越少）。

识别异常值所在的单元块（找到异常值） 去除异常值前后的比较箱线图，叠加之前和之后的直方图，去除后的箱线图和转向直方图。 还可以找到去除异常值之前和之后的平均值。 无删减数据集发生。

文件统计学比较权威的matlab应用工具包，里面包含大量（50多个）可调用函数，如：robpca，MCD,fastMCD,classSVD，kernelEVD等，是从事统计学，稳健统计学，粗差判别领域不可或缺的一个matlab工具包。

经典的回归分析与离群探测英文原版书籍，目前这本书籍还很难找到电子版，而且很清楚哦