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
LOF算法算法介绍Local Outlier Factor（LOF）是基于密度的经典算法，也十分适用于anomaly detection的工作。 基于密度的离群点检测方法的关键步骤在于给每个数据点都分配一个离散度，其主要思想是：针对给定的数据集，对其中的任意一个数据点，如果在其局部邻域内的点都很密集，那么认为此数据点
考场上没状态啊 A 用周期性算即可。 B 枚举。 C 发现 \(A\le \sqrt[3] N\)，\(B \le \sqrt N\)，直接枚举，发现能跑过。复杂度不会证，好像要用微积分。 我考场不知道在想什么，枚举 \(B\) 的时候用的整除分块。。。复杂度是一样的，但常数大T了。 D 一个很自然的想法是 考虑选数删除的
文章目录 一、概念二、基于距离的度量1.基于单元的方法2.基于索引的方法 三、基于密度的度量1. k-距离（k-distance(p)）2. k-邻域（k-distance neighborhood）3. 可达距离（reachability distance）4. 局部可达密度（local reachability density）5. 局部异常因子 一、概念 专注于有价
