Lokalny Wskaźnik Wartości Odstających (Local Outlier Factor - LOF)
Local Outlier Factor (LOF) to algorytm detekcji anomalii oparty na gęstości, działający w trybie nienadzorowanym, wprowadzony przez Breuniga, Kriegela, Ng i Sandera w 2000 roku. Przypisuje on każdemu punktowi danych ciągły wynik anomalii, który kwantyfikuje, jak bardzo punkt jest odizolowany względem swojego lokalnego sąsiedztwa. Umożliwia to wykrywanie anomalii, które umykają metodom globalnym, ponieważ wtapiają się one w gęste klastry w innych miejscach przestrzeni.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/pl/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.
- AutoenkoderUczenie głębokie↔ compare
- DBSCANUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →