एक आउटलेर एक डेटा ऑब्जेक्ट है जो अनिवार्य रूप से बाकी ऑब्जेक्ट्स से भिन्न होता है जैसे कि यह कई तंत्रों द्वारा उत्पादित किया गया हो। प्रदर्शन के उद्देश्य के लिए, यह उन डेटा ऑब्जेक्ट्स को परिभाषित कर सकता है जो आउटलेर नहीं हैं उन्हें "सामान्य" या अपेक्षित डेटा के रूप में। आमतौर पर, यह आउटलेर को "असामान्य" डेटा के रूप में परिभाषित कर सकता है।
आउटलेर डेटा घटक हैं जिन्हें दी गई कक्षा या क्लस्टर में जोड़ा नहीं जा सकता। ये वे डेटा ऑब्जेक्ट्स हैं जिनका व्यवहार अन्य डेटा ऑब्जेक्ट्स के सामान्य व्यवहार से भिन्न होता है। इस तरह के डेटा का विश्लेषण ज्ञान को माइन करने के लिए महत्वपूर्ण हो सकता है।
आउटलेर आकर्षक हैं क्योंकि उन पर संदेह है कि वे बाकी डेटा के समान संरचना द्वारा नहीं बनाए गए हैं। इसलिए, आउटलेर डिटेक्शन में, यह उचित ठहराना आवश्यक है कि पहचाने गए आउटलेर कई तंत्रों द्वारा उत्पादित हैं।
वन-क्लास क्लासिफिकेशन को आउटलेर (या नवीनता) डिटेक्शन के रूप में जाना जाता है क्योंकि सीखने का एल्गोरिदम प्रशिक्षण रिकॉर्ड के वितरण के संबंध में सामान्य और असामान्य डेटा के बीच अंतर करने के लिए उपयोग किया जा सकता है।
उदाहरण के लिए, एक सोशल मीडिया वेबसाइट को देखकर जहां नई सामग्री आ रही है, नवीनता डिटेक्शन नए विषयों और प्रवृत्तियों को तुरंत पहचान सकता है। नए विषय मूल रूप से आउटलेर के रूप में प्रकट हो सकते हैं।
आउटलेर डिटेक्शन और नवीनता डिटेक्शन मॉडलिंग और डिटेक्शन दृष्टिकोण में कुछ समानताएं साझा करते हैं। लेकिन दोनों के बीच एक महत्वपूर्ण अंतर यह है कि नवीनता डिटेक्शन में, एक बार नए विषयों की पुष्टि हो जाने पर, उन्हें आम तौर पर सामान्य व्यवहार के मॉडल में एकीकृत किया जाता है ताकि अनुवर्ती उदाहरणों को अब आउटलेर न माना जाए।
वन-क्लास क्लासिफिकेशन के लिए एक सामान्य सांख्यिकीय दृष्टिकोण उन उदाहरणों को आउटलेर के रूप में पहचानना है जो प्रशिक्षण जानकारी के दिए गए प्रतिशत p से दूरी d पर स्थित हैं। इसके अलावा, लक्ष्य कक्षा के लिए एक संभाव्यता घनत्व की गणना प्रशिक्षण जानकारी के लिए एक सांख्यिकीय वितरण (गाऊसी सहित) को फिट करके की जा सकती है; कम संभाव्यता मूल्य वाले कुछ टेस्ट उदाहरणों को आउटलेर के रूप में स्पष्ट किया जा सकता है।
मल्टीक्लास क्लासिफायर को फोकस डेटा के चारों ओर एक सीमा फिट करके और बाहरी गिरने वाले उदाहरणों को आउटलेर मानकर वन-क्लास स्थिति के अनुरूप बनाया जा सकता है। सीमा को वर्तमान मल्टीक्लास क्लासिफायर के आंतरिक कामकाज को ठीक करके बनाया जा सकता है, जिसमें सपोर्ट वेक्टर मशीन शामिल हैं।
ये दृष्टिकोण एक पैरामीटर पर बहुत अधिक भरोसा करते हैं जो तय करता है कि लक्ष्य जानकारी का कितना हिस्सा आउटलेर के रूप में परिभाषित होने की संभावना है। यदि इसे बहुत रूढ़िवादी रूप से चुना जाता है, तो फोकस कक्षा में डेटा गलती से हटा दिया जाएगा। यदि इसे बहुत उदारतापूर्वक चुना जाता है, तो मॉडल ओवरफिट होगा और बहुत सारे वैध रिकॉर्ड को अस्वीकार कर देगा। अस्वीकृति दर आमतौर पर परीक्षण के दौरान संशोधित नहीं की जा सकती, क्योंकि एक उपयुक्त पैरामीटर मान को प्रशिक्षण समय पर चुना जाना आवश्यक है।
