Con el crecimiento de la era digital, los datos están ampliamente disponibles, por lo que la recuperación de conocimientos a partir de esos datos se realiza mediante algoritmos de minería de datos. Entre los diversos algoritmos de minería de datos, la detección de valores atípicos es crucial, ya que su aparición degrada la eficiencia del sistema. La mayoría de las investigaciones se han limitado a detectar valores atípicos en un único universo con una única granulación para datos numéricos o categóricos. Los algoritmos de detección de valores atípicos de aprendizaje automático existentes funcionan bien para datos cuantitativos, pero no se aplican directamente a datos cualitativos, vagos e imprecisos, lo que produce resultados ineficaces. También existe información ambigua, incierta, incompleta e indeterminada que persiste en el mundo real. Estos problemas se tratan en este trabajo de investigación utilizando la teoría de los conjuntos rugosos, los conjuntos difusos intuicionistas y los conjuntos neutrosóficos. El método de detección de valores atípicos basado en la entropía aproximada ha sido diseñado para detectar valores atípicos en varios sistemas de información. El valor de densidad ponderada para cada objeto y atributo se ha determinado para detectar valores atípicos. Así, un objeto verdadero nunca será tratado como un valor atípico.