ปัจจัยค่าผิดปกติเฉพาะที่ (Local Outlier Factor: LOF)
Local Outlier Factor (LOF) เป็นอัลกอริทึมการตรวจจับความผิดปกติแบบไม่มีผู้สอน (unsupervised anomaly detection) ที่อาศัยความหนาแน่น (density-based) ซึ่งนำเสนอโดย Breunig, Kriegel, Ng และ Sander ในปี 2000 อัลกอริทึมนี้กำหนดคะแนนความผิดปกติแบบต่อเนื่อง (continuous outlier score) ให้กับแต่ละจุดข้อมูล ซึ่งเป็นการวัดว่าจุดนั้นมีความโดดเดี่ยวเมื่อเทียบกับเพื่อนบ้านในละแวกใกล้เคียงมากน้อยเพียงใด ทำให้สามารถตรวจจับความผิดปกติที่วิธีการแบบทั่วโลก (global methods) พลาดไปได้ เนื่องจากจุดเหล่านั้นอาจรวมตัวอยู่ในกลุ่มที่หนาแน่นในส่วนอื่นของปริภูมิข้อมูล
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Local Outlier Factor (LOF): Density-Based Anomaly Detection. ScholarGate. https://scholargate.app/th/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.
- ออโตเอ็นโค้ดเดอร์การเรียนรู้เชิงลึก↔ compare
- DBSCANการเรียนรู้ของเครื่อง↔ compare
- Isolation Forestการเรียนรู้ของเครื่อง↔ compare
- One-class SVMการเรียนรู้ของเครื่อง↔ compare