Lokális Outlier Faktor (LOF)
A Lokális Kiemelt Érték (LOF) egy sűrűség-alapú, felügyelet nélküli anomáliaészlelési algoritmus, amelyet Breunig, Kriegel, Ng és Sander vezetett be 2000-ben. Minden adatponthoz egy folytonos kiemeltérték-pontszámot rendel, amely számszerűsíti, mennyire izolált az adott pont a helyi környezetéhez képest, lehetővé téve olyan anomáliák észlelését, amelyeket a globális módszerek figyelmen kívül hagynak, mert a tér más részein sűrű klaszterekbe olvadnak.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/hu/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.
- AutoencoderMélytanulás↔ compare
- DBSCANGépi tanulás↔ compare
- Isolation ForestGépi tanulás↔ compare
- One-Class SVMGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →