Faktor Penyimpang Lokal (LOF)
Faktor Penyimpang Lokal (LOF) ialah algoritma pengesanan anomali tanpa pengawasan berasaskan ketumpatan yang diperkenalkan oleh Breunig, Kriegel, Ng, dan Sander pada tahun 2000. Ia memberikan setiap titik data skor penyimpang berterusan yang mengukur sejauh mana titik itu terpencil berbanding dengan kejiranan tempatannya, membolehkan pengesanan anomali yang terlepas oleh kaedah global kerana ia bercampur dengan kelompok padat di tempat lain dalam ruang.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/ms/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.
- AutoenkoderPembelajaran Mendalam↔ compare
- DBSCANPembelajaran Mesin↔ compare
- Isolation ForestPembelajaran Mesin↔ compare
- SVM Kelas TunggalPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →