Lokaler Ausreißerfaktor (LOF)
Der Lokale Ausreißerfaktor (LOF) ist ein dichte-basierter, unüberwachter Algorithmus zur Anomalieerkennung, der 2000 von Breunig, Kriegel, Ng und Sander eingeführt wurde. Er weist jedem Datenpunkt einen kontinuierlichen Ausreißer-Score zu, der quantifiziert, wie isoliert dieser Punkt relativ zu seiner lokalen Nachbarschaft ist. Dies ermöglicht die Erkennung von Anomalien, die globale Methoden übersehen, da sie sich in dichten Clustern an anderer Stelle im Raum einfügen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/de/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.
- AutoencoderDeep Learning↔ compare
- DBSCANMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →