一、Numeric outlier（数字异常值）/箱线图
算法介绍：数字异常值方法是一维特征空间中最简单的非参数异常值检测方法，异常值是通过IQR（InterQuartile Range）计算得的。
算法思想：
其中$Q_1$：第一四分位数；$Q_3$：第三四分位数。
二、Z-score
算法介绍：Z-score是一维或低维特征空间中的参数异常检测方法。该技术假定数据是高斯分布，异常值是分布尾部的数据点，因此远离数据的平均值。
算法思想： 若$|Z_i|>Z_{thr}$（$Z_{thr}$通常取3.0，即$3\sigma$原则），则为异常值。
三、DBSCAN（基于密度的聚类方法）
算法介绍：该技术基于DBSCAN聚类方法，DBSCAN是一维或多维特征空间中的非参数，基于密度的离群值检测方法。
算法思想：
在DBSCAN聚类技术中，所有数据点都被定义为核心点（Core Points）、边界点（Border Points）或噪声点（Noise Points）。
- 核心点是在距离$\varepsilon$内至少具有最小包含点数（minPTs）的数据点；
- 边界点是核心点的距离$\varepsilon$内邻近点，但包含的点数小于最小包含点数（minPTs）；
- 所有的其他数据点都是噪声点，也被标识为异常值；
四、Isolation Forest
（以上三种方法都在试图寻找数据的常规区域，然后将任何在此定义区域外的点都视为异常值。孤立森林则不同，它明确地隔离异常值。）
算法介绍：该方法是一维或多维特征空间中大数据集的非参数方法，其中的一个重要概念是孤立数。
算法思想：
孤立数是孤立数据点所需的拆分数。通过以下步骤确定此分割数：
- 随机选择要分离的点“a”；
- 选择在最小值和最大值之间的随机数据点“b”，并且与“a”不同；
- 如果“b”的值低于“a”的值，则“b”的值变为新的下限；
- 如果“b”的值大于“a”的值，则“b”的值变为新的上限；
- 只要在上限和下限之间存在除“a”之外的数据点，就重复该过程；
与孤立非异常值相比，它需要更少的分裂来孤立异常值，即异常值与非异常点相比具有更低的孤立数。因此，如果数据点的孤立数低于阈值，则将数据点定义为异常值。
理解：
想象这样一个场景，我们用一个随机超平面对一个数据空间进行切割，切一次可以生成两个子空间（也可以想象用刀切蛋糕）。接下来，我们再继续随机选取超平面，来切割第一步得到的两个子空间，以此循环下去，直到每子空间里面只包含一个数据点为止。
直观上来看，我们可以发现，那些密度很高的簇要被切很多次才会停止切割，即每个点都单独存在于一个子空间内，但那些分布稀疏的点，大都很早就停到一个子空间内了。
五、其他方法
$3\sigma$原则：假设原数据服从某个分布（如高斯分布），然后计算$\mu$和$\sigma$，再计算$\mu\pm3\sigma$的区间，最后落在区间之外的数据点就被认为是异常值。