为异常检测选择数据集首先要了解问题的背景和要检测的异常类型。首先，确定您的任务是否涉及点异常（单个不寻常的数据点）、上下文异常（在一个上下文中正常但在另一个上下文中不正常）或集体异常（一组一起不寻常的数据）。例如，信用卡欺诈检测通常涉及点异常，而服务器日志分析可能需要发现上下文异常，例如奇怪时间段内流量的异常峰值。选择一个反映这些模式的数据集，如果可能，包括标记的异常，因为这简化了模型评估。KDD Cup 1999 网络入侵或 Kaggle 上的信用卡欺诈检测数据集等公共数据集是常见的起点。
接下来，评估数据集的平衡性和特征相关性。异常检测数据集通常是不平衡的，异常仅占数据的一小部分。确保数据集有足够的正常和异常行为示例，以便有效地训练和测试。例如，如果欺诈数据集中只有 0.1% 的交易是欺诈性的，您可能需要合成过采样或专门的指标，如精度-召回曲线。此外，检查特征是否与您定位的异常相符。如果您正在检测有故障的机器，则应包括温度或振动等传感器读数。避免使用不相关的特征的数据集，因为它们可能会引入噪声。PCA 或特征重要性分析等工具可以帮助识别有用的变量。
最后，考虑数据质量和预处理要求。真实世界的数据集通常包含缺失值、重复项或不一致的格式。例如，制造传感器数据集可能因设备停机而存在间隙。通过估算缺失值或删除不是真正异常的异常值来清理数据。此外，确保数据集的规模符合您的需求：时间序列异常需要带时间戳的数据，而基于图像的缺陷需要标记的视觉示例。MNIST 用于数字异常或 NAB（Numenta 异常基准）用于时间序列等公共数据集经过预处理，但自定义数据集可能需要大量工作。始终将数据分成训练集和测试集，并使用交叉验证来避免过度拟合，尤其是在异常罕见的情况下。