异常检测
全局离群点（显著的偏离数据集中的其余对象）
情境离群点（在特定情境，显著的偏离数据集中的其余对象）
-----------情境属性
-----------行为属性
-----------局部离群点
集体离群点（数据对象的一个子集形成集体离群点）
（1）统计学方法
学习一个拟合给定数据集的生成模型，然后识别该模型低概率区域中的对象，把它们作为离群点。
（2）基于近邻性的方法
--------------基于距离的离群点检测和嵌套循环方法
令r为距离阈值，π（π∈（０，１］）为分数阈值，o是一个DB（ｒ，π）离群点，若：
dist(·，·)距离度量
计算DB(r，π)离群点===循环嵌套
输入：对象集D={o1，o2，o3，...，on}，阈值r(r>0)，π（π∈（０，１］）
输出：D 中的DB（r，π）离群点。
--------------基于网格的方法
cell（数据空间被划分成多维网格）
-------------基于密度的离群点检测
（3）基于聚类的方法
假定正常的数据对象属于大的、稠密的簇、而离群点属于小的或稀疏的簇，或不属于任何簇。
（4）基于分类的方法
构建一个仅描述正常类的分类器，不属于正常类的任何样本都被视为离群点。
（5）挖掘情境离群点和集体离群点
在情境离群点检测中，结构是使用情境属性定义的情境。在集体离群点检测，结构是蕴含的。
（6）高维数据中的离群点检测
主要有三种方法：传统的离群点检测、找出子空间的离群点和对高维离群点建模。
