LOF离群因子算法，是基于密度的用于噪声和异常数据检测的常用算法，它通过为每个数据计算异常因子，来判断该数据是否为噪声或干扰数据。

2020-Fuzzy information entropy-based adaptive approach for hybrid feature outlier detection-Matlab 代码 模糊粗糙集理论中基于模糊关系的模糊信息熵是一种重要的不确定性度量。然而，模糊信息熵用于混合特征离群点检测的研究尚未见报道。在此基础上，利用具有模糊相似关系的模糊近似空间，构造了一种基于模糊信息熵的混合特征离群点检测方法。首先，采用自适应模糊标准差半径和混合模糊相似度构造模糊近似空间，并在模糊信息熵的基础上定义相对模糊熵;然后，构造了两种度量来描述对象的离群度。最后，集成基于模糊熵的离群因子实现离群检测，设计了相关的基于模糊信息熵的离群检测算法(FIEOD)。将FIEOD算法与公共数据上的主要离群点检测算法进行了比较。实验结果表明，该方法具有较好的有效性和适应性。

为适应数据集分布形状多样性以及克服数据集密度问题，针对已有算法对离群簇检测效果欠佳的现状，提出了一种基于K-近邻树的离群检测算法KNMOD（outlier detection based on K-nearest neighborhood MST）。算法结合密度与方向因素，提出一种基于K-近邻的不相似性度量，然后带约束切割基于此度量构建的最小生成树从而获得离群点。算法可以有效地检测出局部离群点以及局部离群簇，与LOF、COF、KNN及INFLO算法的对比结果也证实了算法的优越性能。