عامل دورافتادگی محلی (LOF)
عامل دورافتادگی محلی (LOF) یک الگوریتم تشخیص ناهنجاری بدون نظارت و مبتنی بر چگالی است که توسط برونیگ، کریگل، نگ، و سندرز در سال ۲۰۰۰ معرفی شد. این الگوریتم به هر نقطه داده یک امتیاز پیوسته دورافتادگی اختصاص میدهد که میزان انزوای آن نقطه را نسبت به همسایگی محلیاش کمیسازی میکند. این قابلیت امکان تشخیص ناهنجاریهایی را فراهم میآورد که روشهای سراسری از تشخیص آنها باز میمانند، زیرا این ناهنجاریها در خوشههای متراکمتر در سایر نقاط فضا ادغام میشوند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/fa/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.
- خودرمزگذاریادگیری عمیق↔ compare
- دیبیاسکنیادگیری ماشین↔ compare
- جنگل ایزوله (Isolation Forest)یادگیری ماشین↔ compare
- ماشین بردار پشتیبان تک کلاسهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →