የአካባቢ ውጫዊ ሁኔታ

LOF ጥግግት ላይ የተመሠረተ ያልተለመደ ውጤት ነው። ለእያንዳንዱ ምልከታ፣ የ k ቅርብ ነጥቦችን ሰፈር ያገኛል እና በአካባቢው ሊደረስበት የሚችል ጥግግት ይገምታል፣ ይህም ነጥቡ ምን ያህል ከጎረቤቶቹ አንጻራዊ በሆነ መልኩ የታሸገ መሆኑን ያሳያል። LOF የጎረቤቶችን አማካኝ የአካባቢ ተደራሽነት ጥግግት ከነጥቡ ጥግግት ጋር ያወዳድራል። ከአንዱ አጠገብ ያለው ነጥብ ተመጣጣኝ የአካባቢያዊ እፍጋትን ያሳያል። በጣም ትልቅ ነጥብ የሚያመለክተው ነጥቡ ከቅርቡ ምልከታ ያነሰ ጥቅጥቅ ያለ መሆኑን ነው። ከዓለም አቀፋዊ ርቀት - ከመሃል መለኪያ ይልቅ አንጻራዊ የአካባቢ ንጽጽር ነው. ይህ አካባቢ ዓለም አቀፋዊ ዘዴዎች የሚያመልጡትን ያልተለመዱ ነገሮችን ሊሸፍን ይችላል። አጠቃላይ የመረጃ ቋቱ ሰፊ በሆነበት ክልል ውስጥ እያለ አንድ ነጥብ ጥቅጥቅ ባለ ሰፈር ውስጥ ያልተለመደ ሊሆን ይችላል። በተቃራኒው፣ ከዋናው ደመና የራቀ ነጥብ የተለየ ጥቅጥቅ ያለ ንኡስ ቡድን ሊሆን ይችላል እና ተራ የአካባቢ ነጥብ ሊቀበል ይችላል። ያ ንኡስ ቡድን ያልተለመደ እንደሆነ መቁጠር ያለበት በስራው ላይ ነው። የጎረቤት ቆጠራ የንፅፅር መለኪያውን ይቆጣጠራል. ትናንሽ ሰፈሮች ለጥሩ መዋቅር እና ድምጽ ስሜታዊ ናቸው; ትላልቅ ሰዎች በተለያዩ ቡድኖች ሊነፃፀሩ ይችላሉ. LOF የቅርብ ጎረቤቶችን ስለሚጠቀም የርቀት መለኪያ እና የባህሪ ክፍሎች አስፈላጊ ናቸው። አሳሳች የቁጥር ቅደም ተከተል ሳታደርጉ የቁጥር ተለዋዋጮችን በትክክል መጠን እና ምድቦችን ኮድ ያድርጉ። በሚጠበቀው የቡድን መጠኖች ላይ በመመስረት ቅንብሮችን ይምረጡ እና የውጤት ባህሪን ይገምግሙ፣ በትክክል ከተገመገሙ ጉዳዮች ጋር። Scikit-learn ውጫዊ ማወቂያን ይለያል፣ LOF በተገጠመ የውሂብ ስብስብ ውስጥ ያልተለመዱ ምልከታዎችን ከአዲስነት መለየት፣ ሞዴል በማጣቀሻ መረጃ ላይ ከተገጠመ እና በአዲስ ነጥቦች ላይ ጥቅም ላይ ይውላል። የኋለኛው አዲስነት = እውነትን ይፈልጋል፣ እና ሰነዱ በዚያ ሁነታ ላይ ባለው የስልጠና መረጃ ላይ አዳዲስ የውጤት ዘዴዎችን ከመጠቀም ያስጠነቅቃል። የLOF ውጤቶች ያልተስተካከሉ እድሎች አይደሉም እና የተገለበጠ የምልክት ስምምነቶችን በኤፒአይዎች ውስጥ ሊጠቀሙ ይችላሉ። ከፍ ያለ ወይም ያነሱ እሴቶች የበለጠ ያልተለመደ ሁኔታን የሚያመለክቱ መሆናቸውን ይፈትሹ። የአጎራባች አለመግባባት ከተመረጠው የማመሳከሪያ ስብስብ እና መለኪያ አንፃር ማስረጃ ነው እንጂ ስለመረጃ ጥራት ወይም አደጋ ቁርጥ ያለ ፍርድ አይደለም።