数据挖掘（异常检测）task4-基于相似度的方法_多测点监测数据强相似集挖掘-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_46714700/article/details/117086322

这篇博客介绍了LOF（局部离群因子）算法，一种用于数据分散密度不一致情况下的异常检测方法。LOF算法是非监督且基于密度的，适用于不同密度数据的异常检测。它通过计算点与点之间的距离、局部可达密度等指标来识别异常点。当局部离群因子比值接近1时，点可能属于同一簇；小于1表示可能是密集点；大于1则可能为异常点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于相似度的方法

这一部分的学习，我看了相关的论文和Outlier Analysis中的介绍，总结是专门为数据分散密度不一样进行分析的，这种数据用线性模型等方法不容易计算出来。如图，这种分散不一样的数据，也没有相对应的趋势
在这里插入图片描述

LOF算法特点

LOF算法是一种非监督算法
LOF算法是一种基于密度的算法
LOF算法适合于对不同密度的数据的异常检测

LOF论文定义

论文中有很多的解释和公式，其实主要说的是如何通过识别点与点之间的距离，分布点的密度来进行测算是否异常样本点

1、d ( p , o ) d(p, o)d(p,o)：点 p 和点 o 之间的距离
2、k-distance: 第 k 距离，距离点 p 第 k 远的那个距离值，即点 p 距离第 k 个邻居的距离
3、K-distance neighborhood of p：意思是点 p 的第 k 距离及之内的所有点，即点 p 的 k 个邻居
4、reach-distance：可达距离
5、Local reachability density：局部可达密度
6、local outlier factor：局部离群因子
7、局部离群因子结果说明：
如果这个比值接近 1，说明 p 其邻域点密度差不多，p 可能和邻域点输入同一簇；
如果这个比值越小于 1，说明 p 的密度就高于其邻域点密度，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。