تفاوت میان نسخه‌های «فاکتور پرتی محلی»

هیچ تغییری در اندازه به وجود نیامده‌ است. ،  ۱ ماه پیش
جز
جایگزینی با اشتباه‌یاب: نقظه⟸نقطه، نردیک⟸نزدیک
(برچسب ترجمه)
جز (جایگزینی با اشتباه‌یاب: نقظه⟸نقطه، نردیک⟸نزدیک)
به خاطر رویکرد محلی الگوریتم، LOF قادر است تا نقاط پرتی را در یک مجموعه داده شناسایی کند که به‌طور عادی در منطقه دیگری از آن مجموعه داده پَرت حساب نخواهد شد.
 
به عنوان مثال، یک نقطه در یک فاصله کم از یک خوشه بسیار متراکم یک نقظهنقطه پَرت است، در حالی که یک نقطه در درون یک خوشه پراکنده ممکن است مسافت‌های یکسان و مشابه ایی با همسایگان خود را نشان دهد.
 
در حالی که شهود هندسی LOF فقط برای [[فضاهای برداری]] با ابعاد کم کاربرد دارد، می‌توان این الگوریتم را در هر زمینه ای که توانایی تعریف یک تابع عدم تشابه وجود داشته باشد اعمال کرد.
مقادیر حاصل در واقع به نسبت پاسخ‌های مطلوب به نامطلوب هستند ([[:en:Quotient|quotient]]-values) که تفسیر آنها دشوار است. مقدار ۱ یا حتی کمتر نشان دهنده یک مقدار نزدیک و غیر پرت (inlier) واضح است، اما هیچ قانون مشخصی برای زمانی که یک نقطه پَرت و دور است وجود ندارد. به‌طور مثال:
 
در یک مجموعه داده، مقدار ۱٫۱ ممکن است پَرت و دور باشد، اما در مجموعه داده دیگر و پارامتر سازی متفاوت (با نوسانات محلی شدید) مقدار ۲ می‌تواند یک مقدار نردیکنزدیک و غیر پَرت باشد. همچنین این تفاوت‌ها به دلیل محلی بودن رویکرد الگوریتم می‌توانند در یک مجموعه داده رخ دهند.
 
برای حل مشکلات اکستنشن‌های LOF ای وجود دارد که سعی در بهبود بیشتر LOF در این جنبه‌ها دارد: