Factor de Valors Atípics Locals (LOF)
El Factor de Valors Atípics Locals (LOF) és un algorisme de detecció d'anomalies no supervisat basat en la densitat, introduït per Breunig, Kriegel, Ng i Sander l'any 2000. Assigna a cada punt de dades una puntuació contínua de valor atípic que quantifica el grau d'aïllament d'aquell punt en relació amb el seu veïnatge local, permetent la detecció d'anomalies que els mètodes globals passen per alt perquè es barregen amb clústers densos en altres llocs de l'espai.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/ca/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.
- AutoencoderAprenentatge profund↔ compare
- DBSCANAprenentatge automàtic↔ compare
- Isolation ForestAprenentatge automàtic↔ compare
- SVM d'una sola classeAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →