Il rilevamento dei valori anomali, nel suo senso più elementare, è il processo di identificazione di punti dati, eventi o osservazioni che si discostano in modo significativo dal resto di un set di dati. È comunemente usato nell'informatica e in altri campi correlati come metodo per aiutare a identificare modelli o comportamenti insoliti che altrimenti potrebbero non essere rilevati. Il rilevamento dei valori anomali è parte integrante del data mining e del machine learning grazie alla sua capacità di aiutare a identificare anomalie, errori o punti dati sconosciuti.
Il rilevamento dei valori anomali utilizza una varietà di metodi, inclusi metodi statistici, come metodi di clustering e basati sulla distanza e metodi basati sulla distanza. I metodi statistici tentano di identificare i punti dati che sono significativamente lontani dal punto medio in un set di dati. I metodi di clustering tentano di raggruppare insieme punti simili, mentre i metodi basati sulla distanza identificano i punti troppo lontani dalla maggior parte degli altri punti nel set di dati.
I valori anomali possono essere positivi o negativi, il che significa che possono essere valori sovrastimati o sottostimati. I valori sovrastimati sono considerati falsi positivi, mentre quelli sottostimati sono detti falsi negativi. I valori anomali possono essere causati da una serie di problemi, come l'immissione di dati errati, la corruzione dei dati, errori umani o errori di campionamento casuale.
È importante identificare correttamente i valori anomali nei set di dati, poiché possono potenzialmente avere un grande impatto sui risultati se non vengono trovati e contabilizzati. Avere falsi positivi o falsi negativi può portare a produrre risultati errati o modelli irregolari, che possono portare a decisioni errate. Pertanto, i metodi di rilevamento dei valori anomali consentono di identificare e gestire i valori anomali all'interno dei set di dati. Il rilevamento dei valori anomali è un passaggio efficace e importante nella fase di preelaborazione dei dati, poiché aiuta a identificare correttamente possibili problemi con il set di dati.
