Mit dem Wachstum des digitalen Zeitalters sind Daten in großem Umfang verfügbar, so dass das Abrufen von Wissen aus diesen Daten durch Data-Mining-Algorithmen erfolgt. Unter den verschiedenen Data-Mining-Algorithmen ist die Erkennung von Ausreißern von entscheidender Bedeutung, da ihr Auftreten die Effizienz des Systems beeinträchtigt. Die meisten Forschungsarbeiten beschränken sich auf die Erkennung von Ausreißern in einem einzigen Universum mit einer einzigen Granulation für numerische oder kategoriale Daten. Die vorhandenen Algorithmen zur Erkennung von Ausreißern durch maschinelles Lernen funktionieren gut bei quantitativen Daten, lassen sich aber nicht direkt auf qualitative, vage und ungenaue Daten anwenden , was zu ineffektiven Ergebnissen führt. In der realen Welt gibt es auch mehrdeutige, unsichere, unvollständige und unbestimmte Informationen . Diese Probleme werden in dieser Forschungsarbeit mit Hilfe der Theorie der groben Mengen, der intuitionistischen Fuzzy-Mengen und der neutrosophischen Mengen behandelt . Die vorgeschlagene Methode zur Erkennung von Ausreißern auf der Grundlage von grober Entropie und gewichteter Dichte wurde entwickelt, um Ausreißer in verschiedenen Informationssystemen zu erkennen . Der gewichtete Dichtewert für jedes Objekt und jedes Attribut wurde bestimmt, um Ausreißer zu erkennen. So wird ein echtes Objekt niemals als Ausreißerbehandelt.