异常检测（三）——Local Outlier Factor（LOF）

最新推荐文章于 2025-07-15 09:32:13 发布
置顶 最新推荐文章于 2025-07-15 09:32:13 发布
阅读量2.4w 收藏 70
点赞数 10
CC 4.0 BY-SA版权
分类专栏： Machine Learning 文章标签： 异常检测 Local Outlier Factor LOF 无监督 k近邻
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/YE1215172385/article/details/79766906
局部异常因子(LOF)是一种在中等高维数据集上执行异常值检测的有效方法。算法通过比较样本点与其周围点的相对密度来确定异常程度。LOF值越大，表示该点可能越异常。本文介绍了LOF的算法思想、理论、关键参数和使用sklearn的实例。

在中等高维数据集上执行异常值检测的另一种有效方法是使用局部异常因子（Local Outlier Factor ，LOF）算法。

1、算法思想

LOF通过计算一个数值score来反映一个样本的异常程度。这个数值的大致意思是：一个样本点周围的样本点所处位置的平均密度比上该样本点所在位置的密度。比值越大于1，则该点所在位置的密度越小于其周围样本所在位置的密度，这个点就越有可能是异常点。关于密度等理论概念，详见下面第二部分。

2、LOF的具体理论

关于LOF的理论，可以参考这篇文章，写的非常详细具体！

3、LocalOutlierFactor主要参数和函数介绍

class  sklearn.neighbors. LocalOutlierFactor ( n_neighbors=20 ,  algorithm=’auto’
最低0.47元/天 解锁文章

新学期VIP享超值加赠
机器学习之局部异常因子算法(Local Outlier Factor)
JustinMars的博客
04-01 748
LOF算法的核心思想是，异常点通常在其周围的邻域中具有较低的密度，而正常点则在其周围的邻域中具有较高的密度。具体来说，LOF算法对于每个数据点，计算其与其周围邻域内其他数据点的密度比值，即该点的局部异常因子。：在医疗领域，LOF算法可以用于检测医疗数据中的异常情况，例如异常的生理指标、疾病模式等，有助于早期发现疾病。：在网络安全领域，LOF算法可以用于检测网络中的异常活动，例如异常的网络流量、恶意软件行为等。：分析标记的异常点，解释其异常性质，并进行必要的后处理，例如过滤噪声、调整阈值等。
Local Outlier Factor（LOF）异常检测算法一维DEMO
03-26
LOF异常检测算法一维DEMO, 找了好久没有找到，自己写了一个，可以帮助理解概念
local outlier factor检测
01-06
自己写的local outlier detection 的matlab 代码
利用OpenCV进行异常行为检测实战项目
weixin_35903223的博客
07-15 641
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，由Intel于1999年发起并参与开发，后来成为了开源社区的一部分。OpenCV的初始目的是提供一个用于视觉应用开发的高效工具库，包含了大量的图像处理和视频分析功能。如今，OpenCV已经成为业界广泛使用的视觉库之一，拥有庞大的社区支持和丰富的文档资源。在进行异常行为检测系统的开发之前，首先需要明确系统的需求。
局部异常因子算法-Local Outlier Factor(LOF)--matlab
04-02
基于密度剔除噪声点和异常数据 局部离群因子 表示点p的邻域点Nk(p)Nk(p)的局部可达密度与点p的局部可达密度之比的平均数。 如果这个比值越接近1，说明p的其邻域点密度差不多，p可能和邻域同属一簇；如果这个比值越小于1，说明p的密度高于其邻域点密度，p为密集点；如果这个比值越大于1，说明p的密度小于其邻域点密度，p越可能是异常点。
一文读懂异常检测 LOF 算法（Python代码）
Python数据科学
12-21 5858
大家好，我是东哥。 本篇介绍一个经典的异常检测算法：局部离群因子(Local Outlier Factor)，简称LOF算法。 一、背景 Local Outlier Factor（LOF）是基于密度的经典算法（Breuning et. al. 2000）, 文章发表于 SIGMOD 2000, 到目前已经有 3000+ 的引用。 在 LOF 之前的异常检测算法大多是基于统计方法的，或者是借用了一些聚类算法用于异常点的识别（比如 ，DBSCAN，OPTICS）。这些方法都有一些不完美的地方： 基于统计的方法
机器学习-异常检测算法（二）：Local Outlier Factor
weixin_34270606的博客
08-01 982
Local Outlier Factor（LOF）是基于密度的经典算法（Breuning et.al. 2000）, 文章发表于 SIGMOD 2000, 到目前已经有 3000+ 的引用。在 LOF 之前的异常检测算法大多是基于统计方法的，或者是借用了一些聚类算法用于异常点的识别（比如 ，DBSCAN，OPTICS）。但是，基于统计的异常检测算法通常...
Local Outlier Factor(LOF算法matlab程序)
11-16
Local Outlier Factor（LOF）算法是一种用于检测数据集中异常值或离群点的数据挖掘方法。在MATLAB中实现LOF算法，可以帮助我们处理各种数据分析任务，如数据清洗、异常检测和模式识别。以下是关于LOF算法及其MATLAB...
一维数据下Local Outlier Factor异常检测算法演示
最新发布
08-05
异常检测的方法有很多，Local Outlier Factor（LOF）算法是一种基于密度的局部异常检测方法，尤其适用于高维数据集。该算法由 Markus M. Breunig, Hans-Peter Kriegel, Raymond T. Ng 和 Jörg Sander 在2000年提出...
异常检测算法之局部异常因子算法-Local Outlier Factor(LOF)
BigData_Mining的博客
11-06 1万+
简介 局部异常因子算法-Local Outlier Factor(LOF) 在数据挖掘方面，经常需要在做特征工程和模型训练之前对数据进行清洗，剔除无效数据和异常数据。异常检测也是数据挖掘的一个方向，用于反作弊、伪基站、金融诈骗等领域。 　　异常检测方法，针对不同的数据形式，有不同的实现方法。常用的有基于分布的方法，在上、下α分位点之外的值认为是异常值（例如图1），对于属性值常用此类方法。基于距离的...
LOF（Local Outlier Factor）：局部异常因子
fu_jian_ping的博客
12-27 4600
局部异常因子算法（Local Outlier Factor）通过计算“局部可达密度”来反映一个样本的异常程度，一个样本点的局部可达密度越大，这个点就越有可能是异常点。 用通俗的话来讲就是：若点P的局部范围内，数据点的密度越小，则点P越有可能是异常点。 一、k距离邻域：表示K个数据点组成的一个邻域范围 　　某一点P的k距离（k-distance）很容易解释，就是点P和距离点P第k近的点之间距离，但不包括P。假设P是学校，葛小伦、刘闯、赵信、蔷薇、琪琳、炙心6个同学都住在学校附近： 　　图1
Local Outlier Factor
lukeyyanghang的博客
01-31 1309
什么是Local Outlier Factor? LOF(Local Outlier Factor)，又称局部异常因子算法。 区别于Isolation Forest算法(切分次数)，LOF算法以距离为切入点，做异常检测。 以上图为例，可以很简单的理解距离做异常检测来源的想法。   LOF的几个概念 1.d(p,o) 两点p和o之间的距离； 2.k-distance第k距离 d...
离群点检测——局部离群因子(Local Outlier Factor，LOF)算法
归去来兮的博客
06-29 1万+
1 离群点检测概述 离群点是观察的数据集中明显异常的数据点，或者说，离群点的数据分布与数据集的整体分布不同。离群点检测的目的是检测出那些与正常数据差别较大的数据点，然后根据具体的问题作进一步处理。 离群点检测算法主要有基于统计、聚类、分类、信息论、距离、密度等相关的方法，列表如下 检测方法 描述 优缺点 基于统计 根据数据的分布特点，选择一个概率分布模型对数据进行匹配，将不能匹...
局部异常因子算法 Local Outlier Factor（LOF）
liuyinglxl
03-09 3197
每个样本的异常分数称为局部异常因子。异常分数是局部的，取决于相对于周围邻域的隔离程度。局部性由 k 近邻给出，并使用距离估计局部密度，通过将样本的局部密度与其邻居的局部密度进行比较，可以是被密度明显低于其邻居的样本，这些样本就被当作是异常样本点。 算法原理 & LOF 算法相关定义： d(p,o)d(p, o)d(p,o)：点 p 和点 o 之间的距离 k-distance: 第 ...
深入理解Local Outlier Factor(LOF)局部异常因子算法
热门推荐
tinstone的博客
11-22 1万+
局部异常因子算法
【机器学习】 Local Outlier Factor（LOF）算法
Zhang_Chen_的博客
05-27 8355
1.Local Outlier Factor（局部离群因子）算法的原理；2.python-sklearn中的LOF算法
[转]Local OutlierFactor用于自动检测
muse的专栏
06-24 218
Local Outlier Factor for Anomaly Detection A short summary about Local Outlier Factor Please find the original post here Local Outlier Factor (LOF) is a score that tells how likely a certain data po...
局部异常因子LOF算法简介
MusicDancing的博客
04-15 2585
asxcd
localoutlierfactor 异常数据检测
07-28
localoutlierfactor（局部离群因子）是一种常用的异常数据检测方法。其基本思想是判断一个数据点是否为异常点，需要考虑其周围邻居点的密度和分布情况。 对于给定的数据集，localoutlierfactor方法首先计算出每个数据点的局部密度，即该点周围邻居点的密度，通过设定邻居点的个数K来确定。如果一个数据点的K个邻居点很近，说明它处在一个高密度的区域，那么该点的局部密度就会较高；相反，如果这些邻居点离得较远，说明它处在一个低密度的区域，那么该点的局部密度就会较低。 接着，对于每个数据点，计算出其与邻居点相对密度的比例，即局部离群因子（LOF）。如果一个数据点的LOF值大于1，说明该点周围的邻居点的密度比它自身密度更低，即该点是异常点；相反，如果LOF值小于1，则说明该点周围的邻居点的密度比它自身密度更高，即该点是正常点。 通过计算数据集中每个点的LOF值，localoutlierfactor方法能够有效地识别出异常数据点。与传统的基于距离或数值的异常检测方法相比，localoutlierfactor可以更好地适应不同数据分布的情况，并且在处理高维数据和大规模数据时也具有较好的效果。 总之，localoutlierfactor是一种基于密度的异常数据检测方法，通过考虑数据点的局部密度和分布情况，判断数据点是否为异常点，具有较好的鲁棒性和适应性。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值