在异常检测中，常用的缺陷模式可以帮助我们识别和理解数据中可能存在的异常。以下是一些常用的缺陷模式，它们可以根据数据的特性和分析的目标进行选择和应用：

基于统计的缺陷模式：

Z-score或Z-test：适用于服从正态分布的数据集。通过计算每个数据点的Z-score，并与设定的阈值进行比较，来识别异常值。

四分位数法：使用IQR（四分位距）定义数据的正常范围，并将超出此范围的数据点视为异常值。这种方法简单有效，适用于各种分布类型的数据。

基于距离的缺陷模式：

局部离群因子（LOF）：通过比较每个数据点与其邻域内其他数据点的局部密度来判断其是否为异常点。LOF值越高，数据点越可能是异常点。这种方法适用于局部区域空间问题，但在高维数据情况下效率较低。

基于模型的缺陷模式：