异常检测算法介绍-LOF(Local Outlier Factor)局部异常因子算法、CBLOF及KNN算法

局部因子算法的思想是通过计算一个样本的局部密度来判断该样本是否是一个异常点，如果该样本的密度比它的邻域内点的密度低，那么就认为它是一个异常点。

1、K距离和K距离近邻：该点到距离它第K近的点的距离(不包括该点本身)，称为该点的K距离，K距离内的所有点称为该点的K距离近邻，其中K是一个参数，人为给定的。

2、可达距离：给定一个K之后，如果一个点是它的K距离近邻，那么它们之间的距离就是K距离，如果不是它的K近邻点，那么它们之间的距离就是他们之间的欧几里得距离。换言之，可达距离是K距离与实际距离之间的最大值，当实际距离小于K距离，那么就取K距离，如果实际距离大于K距离，那么就取实际距离。

3、局部可达密度：给定一个点，该点的局部可达密度定义为该点的K距离近邻内所有点到该点的可达距离的平均值，即用该点的K距离近邻点来计算该点的局部可达密度。

4、局部异常因子：给定一个点，该点的局部异常因子定义为该点的K距离近邻内所有点的局部可达密度的平均值与该点的局部可达密度的比值。

CBLOF算法在进行LOF算法之前先用K-means将数据进行一个预分类，对于每个蔟中的数据，再使用LOF算法。

KNN算法的话使用给定一个点的K距离来当做对该点的密度估计，从而检测异常。