Локален коефициент на отклонение (LOF)
Локалният коефициент на отклонение (LOF) е базиран на плътността, ненадзорен алгоритъм за откриване на аномалии, представен от Breunig, Kriegel, Ng и Sander през 2000 г. Той присвоява на всяка точка от данните непрекъснат коефициент на отклонение, който количествено определя колко изолирана е тази точка спрямо нейната локална околност, което позволява откриването на аномалии, които глобалните методи пропускат, тъй като те се смесват с плътни клъстери другаде в пространството.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Breunig, M. M., Kriegel, H.-P., Ng, R. T., & Sander, J. (2000). LOF: Identifying density-based local outliers. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 93–104. DOI: 10.1145/335191.335388 ↗
- Aggarwal, C. C. (2017). Outlier Analysis (2nd ed., Ch. 4). Springer. ISBN: 978-3-319-47577-6
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 14). Springer. ISBN: 978-0-387-84857-0
Как да цитирате тази страница
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/bg/machine-learning/local-outlier-factor
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- АвтоенкодерДълбоко обучение↔ compare
- DBSCANМашинно обучение↔ compare
- Isolation ForestМашинно обучение↔ compare
- Еднокласов SVMМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →