在前面的章节中，我们处理的是包含不超过两个特征的数据。随着特征数量增加，想要通过可视化来判断某个样本是否异常就会更困难。
在存在异常标签的情况下，使用散点图来查看在不同特征组合下异常的分布如何变化非常重要。
本练习是课程的一部分
通过完成这段示例代码来试试这个练习。
# Scatterplot showing TSH and T3 plot(___, ___, ___)
在本章中，您将学习如何使用数值与图形化摘要来非正式地评估数据中是否包含异常点。您将使用名为 Grubbs 检验的统计程序来判定某个点是否为离群点，并了解 Seasonal-Hybrid ESD 算法，该算法可帮助在时间序列数据中识别离群点。
在本章中，您将学习如何计算 k 近邻距离与局部离群因子，用于在多特征数据中为每个数据点构建连续的异常评分。您还将了解局部异常与全局异常的区别，以及这两种算法分别如何发挥作用。
k 近邻距离与局部离群因子使用最近邻的距离或相对密度为每个点打分。本章将介绍一种替代的树模型方法——隔离森林。这是一种快速且稳健的异常检测方法，通过随机将数据不断划分为更小的区域，来衡量样本被分离的难易程度。
您已经接触了多种异常评分算法。在最后一章中，您将学习在存在已标注异常的情况下比较各算法的检测性能。您将学会计算并解读异常评分的精准率（precision）与召回率（recall），以及如何调整算法以适配包含分类特征的数据。
当前练习