Локальный фактор выбросов (Local Outlier Factor, LOF)
Локальный фактор выбросов (LOF) — это основанный на плотности, неконтролируемый алгоритм обнаружения аномалий, представленный Бреунигом, Кригелем, Нг и Сандером в 2000 году. Он присваивает каждой точке данных непрерывную оценку выброса, количественно определяющую, насколько изолирована эта точка относительно своего локального соседства, что позволяет обнаруживать аномалии, которые упускают глобальные методы, поскольку они смешиваются с плотными кластерами в других частях пространства.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/ru/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.
- АвтоэнкодерГлубокое обучение↔ compare
- DBSCANМашинное обучение↔ compare
- Isolation ForestМашинное обучение↔ compare
- Одноклассовая SVMМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →