Lihat sumber Outlier dalam Pembelajaran Mesin

Dalam bidang [[Pembelajaran Mesin]], outlier seringkali menjadi tantangan karena dapat mengganggu proses pelatihan model. Model yang tidak tahan terhadap outlier bisa menghasilkan prediksi yang salah atau tidak akurat.

== Pengaruh pada Model ==
Model pembelajaran mesin seperti [[regresi]] dan [[klasifikasi]] sangat sensitif terhadap outlier. Data anomali dapat menyebabkan model belajar pola yang salah dan menurunkan performa pada data baru.

== Deteksi Otomatis Outlier ==
Beberapa teknik, seperti Isolation Forest, One-Class SVM, dan Local Outlier Factor (LOF), telah dikembangkan untuk mendeteksi outlier secara otomatis pada big data. Metode ini sangat bermanfaat pada data dengan dimensi tinggi.

== Penanganan Outlier dalam Model ==
Penanganan outlier dalam pembelajaran mesin dapat dilakukan dengan menghapus data anomali, melakukan transformasi, atau menggunakan model yang robust seperti [[tree-based model]]. Pilihan metode penanganan sangat tergantung pada tujuan dan jenis data yang dianalisis.