Factor de Valor Atípico Local (LOF)
El Factor de Valor Atípico Local (LOF) es un algoritmo de detección de anomalías no supervisado y basado en densidad, introducido por Breunig, Kriegel, Ng y Sander en 2000. Asigna a cada punto de datos una puntuación continua de valor atípico que cuantifica cuán aislado está ese punto en relación con su vecindario local, lo que permite la detección de anomalías que los métodos globales pasan por alto porque se mezclan en clústeres densos en otras partes del espacio.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/es/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.
- AutoencoderAprendizaje profundo↔ compare
- DBSCANAprendizaje automático↔ compare
- Isolation ForestAprendizaje automático↔ compare
- SVM de una claseAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →