如何在散点图中识别异常值？

用典型值替换异常值消除了数据集总和中的极端膨胀。这会导致算术平均值显著下降，反映出大多数数据的真实集中趋势。

适用条件：原始数据集包含异常值。；替换值与大多数数据一致。；样本量保持不变。

模型试图拟合数据的总体趋势。当存在异常值时，拟合算法试图最小化所有点（包括极端点）的误差。

适用条件：数据可以表示为二维散点图。；模型试图拟合总体趋势。；存在明显远离主簇的观测值。

决策规则基于将班级平均分与固定阈值进行比较。异常值人为地将平均值抬高到阈值以上，阻止班级获得帮助。

适用条件：决策规则是：只有当平均分低于 35 时才开设额外课程。；数据集包含异常值。；阈值固定在 35。

异常值是与数据集中的大多数数据点相比，取值非常小或非常大的不寻常或极端的数据点。在散点图中，它表现为明显偏离主数据簇的点。

适用条件：适用于包含记录、观测值、样本或数据点的任何数据集。

算术平均值对异常值很敏感。单个极端分数会将总体平均值拉高至阈值以上，从而掩盖了大多数个人分数仍低于阈值并需要额外帮助的事实。

适用条件：决策规则完全依赖于班级平均分。；数据集包含显著的异常值。；阈值设定为 35。