上海网站建设关键词排名,镇网站建设管理工作总结,重庆网页优化seo,建什么网站1. 背景 在LOF之前的异常检测算法大多是基于统计方法的#xff0c;或是借用了一些聚类算法用于异常点的识别(如DBSCAN, OPTICS)。但这些方法都有一些不完美的地方#xff1a; 1. 基于统计的方法#xff1a;通常需要假设数据服从特定的概率分布#xff0c;这个假设往往是不成…1. 背景 在LOF之前的异常检测算法大多是基于统计方法的或是借用了一些聚类算法用于异常点的识别(如DBSCAN, OPTICS)。但这些方法都有一些不完美的地方 1. 基于统计的方法通常需要假设数据服从特定的概率分布这个假设往往是不成立的 2. 聚类方法通常只能给出 0/1 的判断(是不是异常点)不能量化每个数据点的异常程度。 相比较而言基于密度的LOF(Local Outlie Factor)算法要更简单、直观。它不需要对数据的分布做太多要求还能量化每个数据点的异常程度(outlierness)。
2. LOF 算法 基于密度的离群点检测方法有一个基本假设非离群点对象周围的密度与其邻域周围的密度类似而离群点对象周围的密度显著不同于其邻域周围的密度。LOF 就是基于密度来判断异常点的通过给每个数据点都分配一个依赖于邻域密度的离群因子 LOF进而判断该数据点是否为离群点。如果LOF1则该点为离群点如果LOF近似1则该点为正常数据点。
3. 几个基本概念
3.1 k邻近距离 在距离数据点P最近的几个点中第k个最近的点跟点P之间的距离称为点P的K-邻近距离记为k-distance (p)公式如下
其中点O为距离点P最近的第k个点。
3.2 k距离领域 以点P为圆心以k邻近距离为半径画圆这个圆以内的范围就是k距离领域。
3.3 可达距离
这个可达距离大家需要留意点点P到点O的第k可达距离
