摘要： Local Outlier Factor（LOF）是基于密度的经典算法（Breuning et.al. 2000）, 文章发表于 SIGMOD 2000, 到目前已经有 3000+ 的引用。在 LOF 之前的异常检测算法大多是基于统计方法的，或者是借用了一些聚类算法用于异常点的识别（比如 ，DBSCAN，OPTICS）。
大神的文章：https://blog.csdn.net/wangyibo0201/article/details/51705966
1、几个基本概念
K-邻近距离（k-distance）：在距离数据点 p 最近的几个点中，第 k 个最近的点跟点 p 之间的距离称为点 p 的 K-邻近距离，记为 k-distance (p) 。
可达距离（rechability distance）：可达距离的定义跟K-邻近距离是相关的，给定参数k时， 数据点 p 到 数据点 o 的可达距离 reach-dist（p, o）为数据点 o 的K-邻近距离 和 数据点p与点o之间的直接距离的最大值
局部可达密度（local rechability density）：局部可达密度的定义是基于可达距离的，对于数据点 p，那些跟点p的距离小于等于 k-distance（p）的数据点称为它的 k-nearest-neighbor，数据点 p 的局部可达密度为它与邻近的数据点的平均可达距离的倒数。
实际上，我们在用的时候，也只需要关注他们是到底表达了 什么含义就好
basiclly，我们知道lrd（p） 也就是表示了 p点的点的密集的程度，这样也就很轻松的分离出来了 离群点。。。。
具体 请参考上面的那个文章