离群点类型-服刑人员再犯罪预测

一般而言，离群点可以分成三类：全局离群点、情境（或条件）离群点和集体离群点。

1.全局离群点

在给定的数据集中，一个数据对象是全局离群点，如果它显著地偏离数据集中的其他对象。全局离群点是最简单的一类离群点，大部分的离群点检测方法都旨在找出全局离群点。

2.情境离群点

在给定的数据集中，一个数据对象是情境离群点，如果关于对象的特定情境，它显著地偏离其他对象。情境离群点又称为条件离群点，因为它们条件地依赖于选定的情境。一般地，在情境离群点检测中，所考虑数据对象的属性划分成两组：

情境属性：数据对象的情境属性定义对象的情境。一般为静态属性变量，如信用卡欺诈检测中，不同年龄、不同地区的人消费情况是不同的，先按照静态属性将人群大致分类，再检测每一类的离群点，会得到更好的结果。(https://www.xing528.com)

行为属性：定义对象的特征，并用来评估对象关于它所处的情境是否为离群点。在上述例子中，行为属性可以是消费金额、消费频率等。

情境离群点分析为用户提供了灵活性，因为用户可以在不同情境下考察离群点，这在许多应用中都是非常期望的。

3.集体离群点

给定一个数据集，数据对象的一个子集形成集体离群点，如果这些对象作为整体显著地偏离整个数据集。如一家供应链公司，每天处理数以千计的订单和出货。如果一个订单的出货延误，则可能不是离群点，因为统计表明延误时常发生。然而，如果有一天有100个订单延误，则必须注意。这100个订单整体来看，形成一个离群点，尽管如果单个考虑，它们每个或许都不是离群点。你可能需要更详细地考察这些订单，搞清楚出货问题。

与全局和情境离群点检测不同，在集体离群点检测中，不仅必须考虑个体对象的行为，而且还要考虑对象组群的行为。因此，为了检测集体离群点，需要对于对象之间联系的背景知识，如对象之间的距离或相似性测量方法。