غابة العزل القوية
توسع غابة العزل القوية كاشف الشذوذ الكلاسيكي لغابة العزل باستراتيجيات تقلل الحساسية لتلوث البيانات، وتأثيرات الإخفاء، والانقسامات العشوائية المتحيزة. من خلال دمج آليات القوة - مثل تحسين أخذ العينات الفرعية، وإعادة ترجيح المناطق المشبوهة، أو التقسيم المصحح بالتحيز - فإنها تحقق درجات شذوذ أكثر موثوقية عندما تحتوي بيانات التدريب نفسها على نسبة غير تافهة من الحالات الشاذة أو عندما تسبب توزيعات الميزات المحددة في أن تنتج غابة العزل القياسية أطوال مسارات غير موثوقة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. In Proceedings of the IEEE International Conference on Data Mining (ICDM), pp. 413–422. IEEE. DOI: 10.1109/ICDM.2008.17 ↗
- Hariri, S., Kind, M. C., & Brunner, R. J. (2019). Extended Isolation Forest. IEEE Transactions on Knowledge and Data Engineering, 33(4), 1479–1489. DOI: 10.1109/TKDE.2019.2947676 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/ar/machine-learning/robust-isolation-forest
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- اكتشاف الشذوذ باستخدام التشفير التلقائيتعلم الآلة↔ compare
- غابة العزلتعلم الآلة↔ compare
- آلة المتجهات الداعمة أحادية الفئةتعلم الآلة↔ compare
- كشف الشذوذ باستخدام المرمز التلقائي المتينتعلم الآلة↔ compare
- آلة المتجهات الداعمة أحادية الفئة المعززة (Robust One-Class SVM)تعلم الآلة↔ compare