Lokal avviksfaktor (LOF)
Lokal avviksfaktor (LOF) är en densitetsbaserad, oövervakad algoritm för anomalidetektering som introducerades av Breunig, Kriegel, Ng och Sander år 2000. Den tilldelar varje datapunkt en kontinuerlig avvikelsesscore som kvantifierar hur isolerad punkten är relativt sitt lokala grannskap, vilket möjliggör detektering av anomalier som globala metoder missar eftersom de smälter in i täta kluster någon annanstans i rummet.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/sv/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.
- AutoencoderDjupinlärning↔ compare
- DBSCANMaskininlärning↔ compare
- Isolation ForestMaskininlärning↔ compare
- One-class SVMMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →