基于最近邻的异常检测 （2）——LOF方法

前面提到，Distance-based算法在全局语境（全局数据）下的异常检测表现良好，那么Distance-based算法是否有能力在局部环境下对目标进行建模吗？

事实上，Distance-based算法只能刻画目标的k邻近绝对密度，无法对相对密度（相对于局部数据）建模。值得注意的是，现实中不同的上下文语境下，目标的含义可能截然不同。举个例子，普通人的平均智商是90~110（全局），所以一个智商120的人可以称为“天才”，但是对一群智商140以上的人（局部）中只能是普通人，异常检测同样存在这样的现象，即局部异常和全局异常。从下图可以很好的描述：

                                                              

对于C1中的目标和C2的局部异常值p2，采用Distance-based算法无法进行识别。主要原因是算法没有考虑数据集自身（邻域内）的局部密度。这时就需要引入Density-based方法。其中，以Local Outlier Factor (LOF)最为经典，几乎其它的Density-based算法都是LOF的变种。

       为了理解LOF算法，几个概念需要明