Local Outlier Factor (LOF)
Local Outlier Factor (LOF) er en tetthetsbasert, uovervåket algoritme for anomalideteksjon introdusert av Breunig, Kriegel, Ng og Sander i 2000. Den tildeler hvert datapunkt en kontinuerlig uteligger-score som kvantifiserer hvor isolert punktet er i forhold til sitt lokale nabolag, noe som muliggjør deteksjon av anomalier som globale metoder går glipp av fordi de blander seg inn i tette klynger andre steder i rommet.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/no/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.
- AutoenkoderDyp læring↔ compare
- DBSCANMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →