挑戰 11 - 異常值篩選
異常值篩選是一種異常檢測方法，其中數據通常是數字。 JMP在分析 > 篩選 > 探索異常值菜單選項下有四種異常值篩選方法。 其中兩種方法是單變量的，適用於可以從單列數據中識別出的異常值。
這些方法使用標準方法將異常值定義為遠離數據中心的觀測值。 算法定義遠和中心是這些類型方法的核心。 當數據是單峰和無界時，它們工作得很好，但當離群值出現在邊界附近或作為主要模式之間的集群或數據值的末端時，它們工作得很好。
在這些情況下，標準的異常值篩選方法要么找不到異常值，要么需要多次迭代。 引發這些行為的三個例子在三個異常值示例.JMP以下。
對於本月的挑戰，開發一種算法，除了通過標準技術發現的異常值之外，還可以找到這些類型的異常值。 假設異常值是單變量，數據是數字。 這探針JMP樣本數據表是一組很好的數據來測試你的算法。
你能想出一種改進的異常值篩選方法嗎？
回复：挑戰 11 - 異常值篩選這是一個有趣的練習！這是我為所附數據表的 Bimodal 列提交的內容。我承認需要對 K 參數進行一些微調才能獲得所需的結果。對於其他 2 列，我不太清楚什麼應該被視為異常值。
dt = Open( "Three Outlier Examples.jmp" );
obj1 = dt << Explore Outliers(
Y( :Bimodal ),
K Nearest Neighbor Outliers( K( 20 ), Impute Missing( 1 ) )
);
obj1 << Save NN Distances;
obj2 = dt << Explore Outliers(
Y( :Nearest 20 Distance ),
Robust Fit Outliers( K Sigma( 200 ), Huber( 1 ) )
);
obj2 << Select Rows (:"Nearest 20 Distance"n) << Color Rows (:"Nearest 20 Distance"n);
dt << Graph Builder(
Size( 489, 454 ),
Show Control Panel( 0 ),
Variables( X( :Bimodal ) ),
Elements( Points( X, Legend( 3 ) ) )
);
回复：挑戰 11 - 異常值篩選謝謝@mzwald ，我喜歡這種方法。
