Machine learning
지역 이상치 계수 (Local Outlier Factor, LOF)
지역 이상치 계수 (LOF)는 2000년 Breunig, Kriegel, Ng, Sander에 의해 소개된 밀도 기반의 비지도 이상 탐지 알고리즘입니다. 이 알고리즘은 각 데이터 포인트에 대해 해당 포인트가 로컬 이웃에 비해 얼마나 고립되어 있는지를 정량화하는 연속적인 이상치 점수를 할당하여, 공간상의 다른 밀집된 클러스터에 섞여 있어 전역적 방법으로는 탐지하기 어려운 이상치를 탐지할 수 있게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/ko/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.
Compare side by side →