每当您倾斜数据集时，就意味着您比其他一些类更了解某些类。在这种情况下，这意味着数据是您的知识，并且有适合这种情况的学习算法。

在这里考虑一个重要的事实。假设您有一家核公司状况的特征向量，它们描述了该公司是否处于核辐射危险中。在这种情况下，很明显，您感染公司的情况并不多，因此您的大部分数据都带有健康状况的标签。您对健康类有很多了解，但对受感染类了解不多，因为您没有太多数据，因此您不知道它的分布，也无法很好地估计它。每当您的数据倾斜时，这意味着例如您有 100 万个负类特征向量和 5 个正类特征向量。现在假设您更改了特征向量。在这种情况下，您的数据集不平衡，或者您只有某些类别的数据样本而没有其他类别，异常检测。

在数据挖掘中，异常检测（也称为异常检测）是识别不符合预期模式或数据集中其他项目的项目、事件或观察结果。通常，异常项目将转化为某种问题，例如银行欺诈、结构缺陷、医疗问题或文本错误。异常也被称为异常值、新奇、噪声、偏差和异常。