Local Outlier Factor (LOF)
Local Outlier Factor (LOF) is een dichtheidsgebaseerd, ongesuperviseerd algoritme voor anomaliedetectie, geïntroduceerd door Breunig, Kriegel, Ng en Sander in 2000. Het kent aan elk datapunt een continue outlier-score toe die kwantificeert hoe geïsoleerd dat punt is ten opzichte van zijn lokale omgeving, waardoor anomalieën kunnen worden gedetecteerd die globale methoden missen omdat ze elders in de ruimte opgaan in dichte clusters.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/nl/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.
- Auto-encoderDeep learning↔ compare
- DBSCANMachine learning↔ compare
- Isolation ForestMachine learning↔ compare
- One-Class SVMMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →