Outlier Detection on meetod ebatavaliste või ootamatute vaatluste tuvastamiseks andmekogumis. See hõlmab andmepunktide tuvastamist, mis asuvad väljaspool tavapärast käitumist. Kõrvalekalded tuvastatakse tavaliselt statistiliste testide abil, nagu kastdiagramm, hajuvusdiagramm või keskmine absoluutne hälve. Kõrvalekalde tuvastamist saab kasutada pettuste tuvastamiseks, puuduvate andmete leidmiseks või mis tahes ebatavalise tegevuse tuvastamiseks antud andmekogumis.
Kõrvalekaldeid võivad põhjustada erinevad tegurid, nagu andmesisestusvead, mõõtmisvead, valimivead või harvaesinevad juhtumid. Kõrvalekalded võivad mõjutada andmekogumi täpsust ja kehtivust ning seetõttu on kõrvalekallete tuvastamine täpsema analüüsitulemuse saamiseks oluline.
Kõrvalväärtuste tuvastamist tuntakse ka kui anomaaliate tuvastamist, kõrvalekallete analüüsi või anomaaliaanalüüsi. Seda kasutatakse sageli arvutiturbega seotud haruldaste sündmuste tuvastamiseks, nagu häkkimiskatsed või pahatahtlikud kavatsused. Seda saab kasutada ka haruldaste üksuste tuvastamiseks andmekogumis, mida saab kasutada uute toodete või teenuste väljatöötamiseks.
Kõrvalväärtuste tuvastamine on võimas tööriist, mida üksikisikud ja organisatsioonid kasutavad andmekogumite analüüsimiseks võimalike kõrvalekallete tuvastamiseks. See on andmeanalüüsi oluline osa ja seda saab kasutada paremate otsuste tegemiseks ja täpsemate järelduste tegemiseks.