داده پرت

داده پرت مقداری است که به‌طور چشمگیر از بقیه داده‌ها دور است؛ آن‌قدر که می‌تواند خطای اندازه‌گیری باشد یا یک رفتار واقعا استثنایی.

داده پرت یک دوراهی است، نه یک زباله: قبل از حذفش باید پرسید این عدد غلط است یا واقعی. نشست چندساعته‌ای که در واقع یک تب فراموش‌شده در مرورگر است خطاست و باید کنار گذاشته شود؛ اما همان نشست اگر کاربر واقعی‌ای باشد که ساعت‌ها محتوا خوانده، یک سیگنال ارزشمند است نه پرت. خطر اصلی این است که داده پرت میانگین و انحراف معیار را می‌بلعد؛ یک عدد افراطی می‌تواند کل تصویر را کج کند. دو واکنش اشتباه هست: حذف بی‌فکر هر عدد ناجور، که ممکن است مهم‌ترین کاربران را دور بریزد، و نادیده‌گرفتن کامل، که میانگین را بی‌معنا می‌کند. راه درست استفاده از معیارهای مقاوم مثل میانه و صدک است که ذاتا به پرت‌ها گیر نمی‌کنند، و بررسی جداگانه خود پرت‌ها.