A detecção de valores discrepantes, em seu sentido mais básico, é o processo de identificação de pontos de dados, eventos ou observações que se desviam significativamente do restante de um conjunto de dados. É comumente usado na ciência da computação e em outras áreas relacionadas como um método para ajudar a identificar padrões ou comportamentos incomuns que, de outra forma, poderiam passar despercebidos. A detecção de valores discrepantes é parte integrante da mineração de dados e do aprendizado de máquina devido à sua capacidade de ajudar a identificar anomalias, erros ou pontos de dados desconhecidos.
A detecção de valores discrepantes utiliza uma variedade de métodos, incluindo métodos estatísticos, como agrupamento e métodos baseados em distância, e métodos baseados em distância. Os métodos estatísticos tentam identificar pontos de dados que estão significativamente distantes do ponto médio em um conjunto de dados. Os métodos de agrupamento tentam agrupar pontos semelhantes, enquanto os métodos baseados em distância identificam pontos que estão muito distantes da maioria dos outros pontos no conjunto de dados.
Os outliers podem ser positivos ou negativos, o que significa que podem ser valores superestimados ou subestimados. Os valores de superestimação são considerados falsos positivos, enquanto os valores de subestimação são chamados de falsos negativos. Valores discrepantes podem ser causados por vários problemas, como entrada incorreta de dados, corrupção de dados, erros humanos ou erros de amostragem aleatória.
É importante identificar corretamente os valores discrepantes nos conjuntos de dados, uma vez que podem ter um grande impacto nos resultados se não forem encontrados e contabilizados. Ter falsos positivos ou falsos negativos pode levar à produção de resultados errados ou padrões irregulares, o que pode levar a decisões incorretas. Como tal, os métodos de detecção de valores discrepantes permitem identificar e lidar com valores discrepantes em conjuntos de dados. A detecção de valores discrepantes é uma etapa eficaz e importante no estágio de pré-processamento de dados, pois ajuda a identificar adequadamente possíveis problemas com o conjunto de dados.
