LOF（Local Outlier Factor，局部离群因子）异常值检测的原理和实现步骤时，我们可以进一步详细解释如下： LOF（局部离群因子）异常值检测代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处 原理 LOF算法基于密度的概念来判断数据集中的异常点。它比较每个数据点与其邻近点的局部密度，以确定该点是否异常。如果一个点的局部密度明显低于其邻近点，则它被视为异常点。

LOF(Local Outlier Factor)算法是基于密度的异常点检测算法，适合于高维数据检测。 核心思想 离群点处的密度应该较邻域内其他点的密度小。 基本概念 k距离：对于点p，将其他点与之距离进行从小到大排序，第k个即为k距离 k距离邻域：到点p的距离小于等于k距离点，共k个 可达距离：若到点p的实际距离小于k距离，则为k距离，反之为实际距离 局部可达密度：邻域内点到p点可达距离

《异常检测——从经典算法到深度学习》 0 概论1 基于隔离森林的异常检测算法 2 基于LOF的异常检测算法3 基于One-Class SVM的异常检测算法4 基于高斯概率密度异常检测算法5 Opprentice——异常检测经典算法最终篇6 基于重构概率的 VAE 异常检测7 基于条件VAE异常检测8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测9 异常检测资料汇总（

最近在学习KNN和LOF算法，记录一下自己一些浅显的理解 1.相同点和不同点 通俗地说，KNN算法的基本思想都是：物以类聚人以群分，你的邻居是啥那么你就最有可能是啥； LOF算法的思想是正常人都是合群的，不合群的就有可能是不正常的。 1.1相同点 都是基于K-邻近距离对样本进行分类，原理比较类似。 1.2不同点 （1）KNN通过k-邻近距离判断自己邻居是哪一类，最终选择比例最高的那一类作为该样本