单一变量下的异常检测该怎么做？

基于模型的异常检测基本就是isolation forest或者 one class svm，也可以考虑autoencoder，kmeans。

单一变量的也可以直接对变量分布做拟合，看数据点在样本中的百分位，百分位很低，或者很高就可以认为是以上点。比如远离中位数3倍IQR以上，或者正态分布的3sigma原则，就是这个道理。

也可以考虑KL-divergence，JS-divergence这些复杂一点的统计指标。

如果是时间维度的单变量，那么就是时间序列的异常检测了，那可以做的就更多了，可以用预测的方法来判断拟合值和实际值的差，差值大的就是异常值了。时间序列的话，也就可以同时考虑周期之类的。

如果是数据是非数值类的，是文本类的，那也是看出现的概率了；如果是时间序列里的分类变量，就可以参考马尔可夫之类的。