Python 去除多特征回归问题中的异常值

我有一个回归问题，有1个目标和10个特性。当我通过方框图查看每个特征的异常值时，它们有不同数量的异常值。在删除异常值时，是否还需要删除与这些异常值关联的目标值

---

我的意思是，比方说：对于#1特性，我有12个异常值，我用12个目标值删除了它们。然后，对于#2特性，我有23个异常值，我用23个目标值删除了它们，以此类推。过程是这样的，或者我应该如何继续？

我想象您的数据的每一行都包含一个ID、目标值和10个特征值，每个特征中有一个回答我们的问题：如果要删除异常值，必须删除整个观察值/行——您分类为异常值的值、相应的目标值以及所有其他9个对应的特征值。因此，您必须过滤每一行，以使特征项_i小于您定义为异常值的阈值_i

原因是多线性回归计算一个特征增量变化对目标的影响，假设所有其他9个特征为常数。在这样的模型中（假设您使用的是OLS），删除单个特征值而不删除目标和此观测的其他特征根本不起作用

---

然而，我会谨慎地删除异常值。我不知道你的样本大小和你认为的离群值，这将有助于更多地了解你的研究问题、数据和方法。

数据大小是585。我现在正在尝试局部异常值因子方法，但我将检查其他方法是否存在异常值。事实上，我已经尝试过不同的回归模型，现在我想看看剔除异常值对模型性能的影响。我可以问一下，当你提到异常值时，你是指特征中的异常值吗？我认为异常值通常指的是观察结果/回答。想澄清一下删除特征异常值的原因吗？是的，我指的是仅仅创建方框图之后特征中的异常值。