我正在研究一个问题，即离群检测的自动化。为此，我需要一种算法来检测异常值。
我读到了关于z得分和inter-quantile范围。但z得分仅适用于正态分布的数据。如果它适用于各种数据（即使它遵循高斯分布，泊松分布），我也不确定分位数间距。我也读过DBSCAN，但不知道这种方法的可信度
任何人都可以在python中建议我一些算法或一些包，我可以用它来自动检测离群值。
我正在寻找更多的算法，甚至研究论文都可以，我可以稍后在python中编码。
以下参考是我必须找到异常值的数据示例之一。
月份已售出1 23178.78 2 23547.41 3 17720.51 4 25837.56 5 20375.98 6 16260.64 7 22881.59 8 25202.29 9 17255.29 10 20495.58 11 21253.27 12 20145.73
Sklearn有很多异常值检测算法。例如，您有Isolation Forests和Oneclass SVM。
这里是链接enter link description here的一些例子
最近，我正在研究异常值检测工具主题。根据我的经验，要做异常值检测，您可能需要先解决问题。你想要的异常是什么？ 2.对于要素视图，要测量多少要素？ One Dimension非常简单，2或N个特征是完全不同的问题。 3.您希望如何向您展示OD结果？ 1或2维度很容易，3或更多维度应该是一个很大的挑战。 4.什么是特征数据类型，数字或分类数据？对于分类数据，您可以在开始时将它们转换为虚拟因子。
关于异常值检测算法，我认为您可以根据您的数据进行选择。对于1维，Z得分（scipy）或Mad（）模式都可以。虽然数据不是正态分布，但这两种模式可以很容易解释。你可以使用更复杂的算法，花更多的时间来解释为什么它们被计算为异常值。 Zscore方法对极端异常值敏感。在这种情况下，Mad方法更加健壮。对于2个或更多维度，我最喜欢的孤立森林。大数据集中的快速（se）和可接受的准确度（88％~89％）。