در تشخیص ناهنجاری، فاکتور پَرتی محلی یا انزوای محلی ( LOF ) الگوریتمی است که توسط Markus M. Breunig , Hans - Peter Kriegel , Raymond T. Ng و Jörg Sander در سال ۲۰۰۰ برای یافتن نقاط داده های نابه هنجار یا غیرمعمول توسط اندازه گیری انحراف محلی یک داده نسبت به همسایگان آن نقطه ارائه شده است[ ۱]
LOF دارای برخی مفاهیم مشترک با DBSCAN و OPTICS است که به عنوان مثال می توان از مفاهیم "فاصله هسته" و "فاصله قابل دسترسی ( reachability distance ) " که برای تخمین تراکم محلی ( چگالی محلی ) از آن استفاده می شود، نام برد. [ ۲]
فاکتور پَرتی محلی یا دور افتادگی محلی بر اساس مفهومی از تراکم محلی پایه گذاری شده است، جایی که محلی بودن نقطه توسط k تا از نزدیکترین نقطه های همسایه ارائه می شود، که فاصله آنها برای تخمین زدن تراکم استفاده می شود. با مقایسه تراکم محلی یک شی با تراکم محلی همسایگان آن، می توان مناطقی با چگالی مشابه و نقاطی را که به مراتب چگالی پایین تر از همسایگان خود دارند؛ شناسایی کرد. این نقاط به عنوان نقاط پرت محسوب می شوند.
تراکم محلی را با فاصله معمول ای که توسط آن می توان از همسایگان خود به یک نقطه «رسید» تخمین زده می شود.
تعریف «فاصله قابل دستیابی» مورد استفاده در LOF معیار دیگری برای تولید نتایج پایدارتر در خوشه ها است. «فاصله دستیابی» که توسط LOF استفاده می شود دارای برخی جزئیات ظریف است که اغلب در منابع ثانویه نادرست پیدا می شود مانند کتاب درسی آیثم آلپایدین. [ ۳]
اگر k - distance ( A ) فاصله شی A تا k امین نزدیکترین همسایه باشد. ( توجه داشته باشید که مجموعه k نزدیکترین همسایگان شامل تمامی اشیای در این فاصله است که در حالت «تساوی» می تواند بیش از k شی باشد ) مجموعه k نزدیکترین همسایگان را به عنوان Nk ( A ) مشخص می کنیم.
این فاصله برای تعریف آنچه که از آن به عنوان فاصله قابلیت دسترسی نام برده می شود استفاده می شود:
reachability - distancek ( A, B ) =max{k - distance ( B ) , d ( A, B ) }
به طور توصیفی، فاصله قابلیت دسترسی ( reachability distance ) جسم A از B، فاصله واقعی دو جسم است، اما حداقل k - distanceمتعلق به B است. اشیاء ایی که متعلق به k نزدیکترین همسایگان B هستند
( «هسته» متعلق به B، و تجزیه و تحلیل خوشه DBSCAN را بررسی کنید ) در نظر گرفته می شود که به اندازه یکسان از B دور هستند.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفLOF دارای برخی مفاهیم مشترک با DBSCAN و OPTICS است که به عنوان مثال می توان از مفاهیم "فاصله هسته" و "فاصله قابل دسترسی ( reachability distance ) " که برای تخمین تراکم محلی ( چگالی محلی ) از آن استفاده می شود، نام برد. [ ۲]
فاکتور پَرتی محلی یا دور افتادگی محلی بر اساس مفهومی از تراکم محلی پایه گذاری شده است، جایی که محلی بودن نقطه توسط k تا از نزدیکترین نقطه های همسایه ارائه می شود، که فاصله آنها برای تخمین زدن تراکم استفاده می شود. با مقایسه تراکم محلی یک شی با تراکم محلی همسایگان آن، می توان مناطقی با چگالی مشابه و نقاطی را که به مراتب چگالی پایین تر از همسایگان خود دارند؛ شناسایی کرد. این نقاط به عنوان نقاط پرت محسوب می شوند.
تراکم محلی را با فاصله معمول ای که توسط آن می توان از همسایگان خود به یک نقطه «رسید» تخمین زده می شود.
تعریف «فاصله قابل دستیابی» مورد استفاده در LOF معیار دیگری برای تولید نتایج پایدارتر در خوشه ها است. «فاصله دستیابی» که توسط LOF استفاده می شود دارای برخی جزئیات ظریف است که اغلب در منابع ثانویه نادرست پیدا می شود مانند کتاب درسی آیثم آلپایدین. [ ۳]
اگر k - distance ( A ) فاصله شی A تا k امین نزدیکترین همسایه باشد. ( توجه داشته باشید که مجموعه k نزدیکترین همسایگان شامل تمامی اشیای در این فاصله است که در حالت «تساوی» می تواند بیش از k شی باشد ) مجموعه k نزدیکترین همسایگان را به عنوان Nk ( A ) مشخص می کنیم.
این فاصله برای تعریف آنچه که از آن به عنوان فاصله قابلیت دسترسی نام برده می شود استفاده می شود:
reachability - distancek ( A, B ) =max{k - distance ( B ) , d ( A, B ) }
به طور توصیفی، فاصله قابلیت دسترسی ( reachability distance ) جسم A از B، فاصله واقعی دو جسم است، اما حداقل k - distanceمتعلق به B است. اشیاء ایی که متعلق به k نزدیکترین همسایگان B هستند
( «هسته» متعلق به B، و تجزیه و تحلیل خوشه DBSCAN را بررسی کنید ) در نظر گرفته می شود که به اندازه یکسان از B دور هستند.
wiki: فاکتور پرتی محلی