异常点检测系列之基于密度的局部异常因子算法(LOF)及相应实现

局部异常因子算法-Local Outlier Factor(LOF)
在数据挖掘方面，经常需要在做特征工程和模型训练之前对数据进行清洗，剔除无效数据和异常数据。异常检测也是数据挖掘的一个方向，用于反作弊、伪基站、金融诈骗等领域。

异常检测方法，针对不同的数据形式，有不同的实现方法。常用的有基于分布的方法，在上、下α分位点之外的值认为是异常值（例如图1），对于属性值常用此类方法。基于距离的方法，适用于二维或高维坐标体系内异常点的判别，例如二维平面坐标或经纬度空间坐标下异常点识别，可用此类方法。  
                                                     
这次要介绍一下一种基于密度的异常检测算法，局部异常因子LOF算法（Local Outlier Factor）

用视觉直观的感受一下，如图2，对于C1集合的点，整体间距，密度，分散情况较为均匀一致，可以认为是同一簇；对于C2集合的点，同样可认为是一簇。o1、o2点相对孤立，可以认为是异常点或离散点。现在的问题是，如何实现算法的通用性，可以满足C1和C2这种密度分散情况迥异的集合的异常点识别。LOF可以实现我们的目标。

                                                     

下面介绍LOF算法的相关定义：
　　1) d(p,o)：两点p和o之间的距离。
　　2) k-distance：第k距离
　　　　对于点p的第k距离dk(p)定义如下：
　　　　dk(p)=d(p,o)，并且满足：
　　　　　　a) 在集合中至少有不包括p在内的k个点o' ∈ C{x ≠ p}， 满足d(p,o') ≤ d(p,o) 。
　　　　　　b) 在集合中最多有不包括p在内的k−1个点o' ∈ C{x ≠ p}，满足d(p,o') < d(p,o)。

            如下图，离p第5远的点在以p为圆心，d5(p)为半径的

                                                    　

 　3) k-distance neigh