inlier_outlier

inlier & outlier

在数据分析和机器学习中，inlier（内点）和 outlier（离群点）是用来描述数据分布中是否“符合主流规律”的术语，以下是详细解释：

✅ 一、Inlier（内点）

• 定义：指那些符合数据整体趋势或模式的数据点。
• 特点：

与大部分数据处于相似范围或结构中。

在模型训练中通常被当作“正常数据”。

例如：在直线拟合中，靠近这条直线的数据点就是 inliers。

❌ 二、Outlier（离群点）

• 定义：指那些明显偏离其他数据点的点，通常被认为是异常值或“噪声”。
• 特点：

与主流数据差异显著（如数值过大/过小、方向异常等）。

可能是数据错误、异常行为、设备故障、也可能是潜在的重要信号。

在模型拟合中常常会被忽略或单独处理（例如异常检测、鲁棒回归）。

在图像识别、金融欺诈检测、网络安全中尤为重要。

📌 举例说明

假设我们拟合一个二维平面上的直线模型：

• 数据点大多聚集在直线附近 ⇒ 这些是 inliers。
• 某个点远离直线，偏差很大 ⇒ 是 outlier。

💡 延伸：如何识别 Outliers？

常用方法包括：

1. 统计方法：

• z-score（标准差距离）
• IQR（四分位间距）

2. 机器学习方法：

• Isolation Forest
• One-Class SVM
• DBSCAN（密度聚类算法）

3. 鲁棒拟合模型：

• RANSAC（随机采样一致性算法）：通过只使用 inliers 来拟合模型，同时识别并排除 outliers。