您可以向现有数据对象添加随机噪声，即将给定百分比的数据条目更改为数据范围内的随机值，或者在两个数据对象之间交换一些条目（这不会改变该维度中的值分布）。这种方法常用于测试算法的鲁棒性。在您的情况下，它也可能很有用。

此处描述了该方法：Assessing data mining results via swap randomization。

也许这篇论文很有用：用于聚类和异常值分析的合成数据生成器

有两种常见的方法：

1. 通过随机化方法将异常值添加到真实数据中。

2. 为了获得一个稀有类，将一个类下采样到所需的稀疏度（通常，这应该 <<1%）

对于 1 有一些变体 - 修改单个属性，绘制每个属性，但来自不同的实例等；就个人而言，我完全不相信这些方法。因为它们模拟了数据稀释的特定效果，因此通常支持围绕相同异常值概念设计的算法。当您的真正异常值不是由这种非常特殊的错误引起时，在此类数据集上表现良好的方法通常会失败。

对于 2，您将不得不面对一个事实，即某些数据集太难了。一个类比其他类更罕见的事实并不意味着它们真的是异常值；即使您将其下采样到极端。另外，这种方法也很幼稚：它假设多数类不包含异常值。在我见过的任何真实数据集中，每个班级也会在班级内有异常值。所以不要指望你的方法能够在这些数据集上达到 90%。如果你能从 70% 提高到 80%，那么你的方法已经很有效了。任何超过 80% 的值都可能表明存在一些偏见恕我直言。

在查看异常值检测论文时，我认为任何高于 0.80 的结果都是可疑的：要么数据集为算法设计的太多，要么系统地调整算法参数以找到可能的最佳结果，要么结果完全是假的.

在我看到使用 WBC 数据集的大多数情况下，他们将癌症类别下采样到 10 个实例。但是，您不应该告诉您的算法获得前 10 个结果。在真实场景中，您不知道要找到 10 个异常值...

正如评论已经讨论的那样，异常值通常被认为与模型有关。但这并没有说明它们是如何生成的：它们可能是模型描述的过程中的罕见事件（大约 10⁹ 标准正态分布数中的 1 个将 < -6），或者它们可以由以下过程生成不包含在您的模型中。

通常，人们并不关心前者，因为该模型对他们来说已经足够了。

但是对于后者，您只能模拟您对生成过程有所了解的事物。如果你想要意想不到的罕见事件，除了收集数据并等待它们发生之外别无他法。恕我直言，在不讨论底层流程/问题/任务（不仅是模型）的情况下讨论这个是没有意义的。您无法给出典型的异常值正是这些事物的本质。您需要讨论异常值生成过程与模型和问题的相关性。恕我直言，没有免费的午餐定理非常适用于异常值检测。

推荐阅读 ;-) “机器学习八卦杂志”论文，其中几份仍然在网上流传。