全局异常（Global anomalies）和局部异常（Local anomalies）是数据中的两类离群点，其区别在于偏差的范围。全局异常是指与整个数据集显著不同的数据点。例如，在一个日气温数据集，气温范围通常在 10°C 到 30°C 之间，而 100°C 的读数就是一个全局异常，因为它远远超出了预期范围。由于这些异常点无需超出数据集整体分布的额外上下文信息，因此使用标准差阈值或 Z 值分数等基本统计方法就能直接检测出来。
然而，局部异常是数据特定子集或上下文中的偏差。例如，15°C 的气温在全球范围内可能看似正常，但如果它出现在气温始终接近 25°C 的热带地区，它就成为了一个局部异常。检测局部异常需要分析数据点在较小的簇或邻域内的关系。通常使用聚类（例如 DBSCAN）或基于密度的方法（例如 Local Outlier Factor），因为这些方法是将一个点与它周围的邻域进行比较，而不是与整个数据集进行比较。
对于开发者而言，关键的实际区别在于检测方法。全局异常通常可以使用简单的阈值或基本统计模型来识别，实现起来更容易。然而，局部异常需要更复杂的算法和领域知识来定义有意义的上下文或邻域。例如，在欺诈检测中，一笔突然的 100 万美元交易（全局异常）可能会立即被标记出来，而某个用户历史记录中一系列较小、异常的购买行为（局部异常）则需要分析该用户行为内部的模式。选择正确的方法取决于理解异常是独立于上下文还是与数据子集相关联。