Local Outlier Factor (LOF)
Local Outlier Factor (LOF) on tiheysperustainen, ohjaamaton poikkeavuudentunnistusalgoritmi, jonka Breunig, Kriegel, Ng ja Sander esittelivät vuonna 2000. Se antaa jokaiselle datapisteelle jatkuvan poikkeavuuspisteen, joka kvantifioi pisteen eristyneisyyttä suhteessa sen paikalliseen naapurustoon. Tämä mahdollistaa sellaisten poikkeavuuksien havaitsemisen, jotka globaalit menetelmät jättäisivät huomaamatta, koska ne sulautuvat tiheisiin klustereihin muualla avaruudessa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/fi/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.
- AutoenkooderiSyväoppiminen↔ compare
- DBSCANKoneoppiminen↔ compare
- Isolation ForestKoneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →