Facteur d'Anomalie Locale (LOF)
Le Facteur d'Abnormality Locale (LOF) est un algorithme de détection d'anomalies non supervisé, basé sur la densité, introduit par Breunig, Kriegel, Ng et Sander en 2000. Il attribue à chaque point de données un score d'abnormality continu qui quantifie à quel point ce point est isolé par rapport à son voisinage local, permettant la détection d'anomalies que les méthodes globales manquent parce qu'elles se fondent dans des grappes denses ailleurs dans l'espace.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/fr/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.
- AutoencodeurApprentissage profond↔ compare
- DBSCANApprentissage automatique↔ compare
- Isolation ForestApprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →