我一直在寻找使用R来识别多变量异常值的最佳方法，但我认为我还没有找到任何可信的方法。
我们可以将虹膜数据作为示例，因为我的数据还包含多个字段
data(iris)
df <- iris[, 1:4] #only taking the four numeric fields
首先，我从图书馆MVN使用 Mahalanobis距离
library(MVN)
result <- mvOutlier(df, qqplot = TRUE, method = "quan") #non-adjusted
result <- mvOutlier(df, qqplot = TRUE, method = "adj.quan") #adjusted Mahalonobis distance
两者都产生了大量的异常值（150个中有50个未调整，49/150个调整后），我认为需要更多细化。遗憾的是，我似乎无法在mvOutlier方法中找到一个变量来设置阈值（表示增加点是异常值的概率，因此我们的数字较小）
其次，我使用异常值库。这是为了找到单变量异常值。因此，我的计划是在数据的每个维度上找到异常值，并且那些在所有维度上都是异常值的点被视为数据集的异常值。
library(outliers)
result <- scores(df, type="t", prob=0.95) #t test, probability is 0.95
result <- subset(result, result$Sepal.Length == T & result$Sepal.Width == T & result$Petal.Length == T & result$Petal.Width == T)
为此我们可以设置概率，但我不认为它可以取代多变量离群值检测。
我尝试过的其他一些方法
答案 0 :(得分：3)
我将给你留下这两个链接，第一个是关于多变量异常检测的不同方法的论文，而第二个是关于如何在R中实现这些。
Cook的距离是查看数据点影响的有效方式，因此有助于检测外围点。马哈拉诺比斯距离也定期使用。
对于测试示例，虹膜数据集无用。它用于分类问题，因为它是明显可分的。您排除50个数据点将会消除整个物种。
多变量数据中的异常值检测 -
http://www.m-hikari.com/ams/ams-2015/ams-45-48-2015/13manojAMS45-48-2015-96.pdf
R实施
答案 1 :(得分：0)
有非常有趣的选择。
第一个，Rlof 包，用于计算局部异常值因子。它计算反映观测异常程度的分数（称为局部异常值因子）。它测量一个点的局部密度相对于它的邻居的偏差。这个想法是检测密度比邻居低得多的样本。 在实践中，局部密度是从 k 个最近的邻居中获得的。
其次，孤独包。
它应用了一种受随机森林启发的方法，称为隔离森林。
两者都会生成不同的分数，这不是概率，而是允许确定阈值，从中分配问题类型和主题知识认为合适的异常数据的数量。