GMM-KMeans异常检测 对于一维时间序列数据，使用GMM和K-means算法检测离群值。对一维时间序列数据，采用GMM和K-Means算法进行异常点检测。

看CSDN这里没有人分享，就从Github上搬过来了，侵删 Summary: Calculates local outlier factor for each sample in test dataset according to training data Notes: It is assumed that data is normalized appropriately and categorical features in data are converted to continuous values. Please see functions under dataset folder for this purpose.

基于密度的局部异常因子检测方法对局部离 群点有极高的灵敏性，若检测对象中不存在离群 点， 各对象的 LOF 数值近似等于 1， 若存在离群点， 则离群点的LOF数值随离群程度的增大而增大

基于密度剔除噪声点和异常数据 局部离群因子 表示点p的邻域点Nk(p)Nk(p)的局部可达密度与点p的局部可达密度之比的平均数。 如果这个比值越接近1，说明p的其邻域点密度差不多，p可能和邻域同属一簇；如果这个比值越小于1，说明p的密度高于其邻域点密度，p为密集点；如果这个比值越大于1，说明p的密度小于其邻域点密度，p越可能是异常点。

基于信息熵的邻域相关离群点检测方法

此为中文：Outlier Analysis 2nd Edition 中文 part2 对照英文：https://download.csdn.net/download/u012547148/10938324

此为中文：Outlier Analysis 2nd Edition 中文 part3 对照英文：https://download.csdn.net/download/u012547148/10938324

基于残差分析的离群点检测算法，适用具有线性回归关系的二维数据，可以对数据中的离群点进行有效剔除检测。

此为中文：Outlier Analysis 2nd Edition 中文 part1 对照英文：https://download.csdn.net/download/u012547148/10938324

k-means离群点剔除法：主要运用聚类均值方法剔除数据中的离群点，增强模型预测的精度等，本文为matlab代码