预测分析中的异常检测是一种用于识别数据中不寻常模式或离群值的技术，这些模式或离群值与预期行为显着偏差。它通过分析历史或实时数据来标记与规范不符的观察结果，这些观察结果可能表明错误、欺诈、系统故障或其他关键事件。 例如，在网络安全中，异常可能是来自单个 IP 地址的流量突然激增，这表明存在潜在的网络攻击。 目标是尽早发现这些违规行为，以便可以在造成危害之前对其进行调查或解决。
异常检测方法分为两大类：监督式和非监督式。 监督方法需要标记数据（例如，正常和异常事件的已知示例）来训练分类算法等模型。 但是，标记的异常数据通常很少，这使得非监督方法更实用。 这些技术，例如聚类（例如，k 均值）或基于密度的算法（例如，DBSCAN），基于相似性对数据点进行分组，并标记那些不适合任何聚类的数据点。 例如，在制造业中，非监督模型可以通过识别落在质量保证项目的典型集群之外的测量值来检测缺陷产品。 当有部分标签可用时，也使用混合方法，如半监督学习。
实施异常检测的开发人员必须考虑数据质量、算法可扩展性和可解释性等因素。 例如，使用 Z 分数或四分位数范围 (IQR) 等统计方法非常适合简单、低维数据，但在处理复杂数据集时会遇到困难。 像 Isolation Forest 或自动编码器这样的机器学习模型更适合高维数据，但需要进行调整以平衡灵敏度（捕获真实异常）和特异性（避免误报）。 像 Python 的 Scikit-learn 或 PyOD 这样的工具提供预构建的算法，而像 TensorFlow 这样的库可以实现自定义深度学习解决方案。 实际挑战包括处理不平衡数据集、更新模型以适应不断发展的数据模式以及将检测结果集成到警报系统中。 例如，金融应用程序可能会将实时异常分数与交易规则结合起来，以标记欺诈活动，而不会让分析师因虚假警报而不知所措。