1.单变量检测法
2.双变量检测法
3.多元模型检测法
离群值 (outliers)是指在一份数据中,与其他观察值具有明显不同特征的那些观察值。然而，并没有一个明确的准则来判断哪些观察值属于“离群值”。这主要取决于多种因素。
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用广泛的数据降维算法。详细的概念可以参照 https://zhuanlan.zhihu.com/p/37777074一般将多个样本降维就可以得到二维的分布，相似的样本成为一群，但有时候我们想知道哪些特征导致了这样的分群。
这里我们主要讨论怎么样用R实现以及提取我们需要的特征：
用R实现PCA有多个方法：
prcomp() and princomp() [built-in R stats package],
PCA() [FactoMineR package],
dudi.pca() [ade4 package],
and epPCA() [ExPosition package]
decathlon2是一个27行，13列的data.frame，分析之前需要用scale()函数进行标准化，消除不同量纲之间的差距。在计算PCA的时候也有很多内置的scale参数，如：FactoMineR包里函数PCA(X, scale.unit = TRUE, ncp = 5, graph = TRUE)里面的 scale.unit = TRUE,则进行标准化，或者
降维的分群图（这个没有明显的分群）
作为分群依据的特征值和特征向量
我们可以通过这些函数提取需要的数据：
get_eigenvalue(res.pca): 提取特征值
fviz_eig(res.pca): 可视化特征值
从中我们看到前两个PC可以涵盖59.6%variance，一般用涵盖百分之八十以上的variance就够了，也可以用碎石图展示。
cos2cos2 (square cosine, squared coordinates) 能够代表某个PC的代表性的特征值：
欢迎关注~
参考： http://www.sthda.com/english/articles/31-principal-component-methods-in-r-practical-guide/118-principal-component-analysis-in-r-prcomp-vs-princomp/
