在数据分析过程中，我们通常需要识别出那些与众不同的数据点。请问常用的异常值检测方法有哪些？

回答思路

1. 【回答框架 1】异常值是指数据集中与其他观测值显著不同的数据点，可能由测量误差、数据录入错误或真实稀有事件导致。检测异常值有助于提升数据质量，避免对统计模型和业务决策产生不良影响。
2. 【回答框架 2】常用的检测方法包括基于统计的方法：如Z-score，适用于数据近似正态分布且样本量较大的情况，通过计算数据点与均值的标准差倍数来判断；IQR（四分位距）法，以四分位距的1.5倍为界，对偏态分布或存在离群值的数据更稳健。
3. 【回答框架 3】可视化方法：箱线图能直观展示数据的分布和异常值；散点图可帮助识别多维变量中的异常模式。
4. 【回答框架 4】基于模型的方法：如孤立森林，通过随机分割特征空间来隔离异常点，适合高维数据；聚类方法如DBSCAN，将密度低的点视为异常。
5. 【回答框架 5】不同方法适用场景不同，Z-score对正态分布敏感，IQR更稳健，孤立森林适合大数据和高维场景。实际应用常结合多种方法，并根据业务背景验证异常值的真实性。
6. 【关键点 1】统计方法Z-score和IQR是基础且常用
7. 【关键点 2】可视化方法包括箱线图和散点图
8. 【关键点 3】模型方法有孤立森林、DBSCAN等
9. 【关键点 4】实际应结合业务背景筛选异常值
10. 【易错点 1】仅依赖单一方法可能导致误判，需多方法交叉验证
11. 【易错点 2】Z-score要求数据近似正态，否则结果失真
12. 【易错点 3】异常值不一定都是错误，可能是真实稀有事件，需谨慎处理