Robust Isolation Forest
Robust Isolation Forest разширява класическия детектор на аномалии Isolation Forest със стратегии, които намаляват чувствителността към замърсяване на данните, маскиращи ефекти и пристрастни случайни разделяния. Чрез включване на механизми за устойчивост — като подобрено вземане на подпроби, претегляне на подозрителни региони или разделяне с коригирана пристрастност — той постига по-надеждни оценки на аномалиите, когато самите обучителни данни съдържат нетривиална част от аномалии или когато специфични разпределения на характеристиките карат стандартния iForest да произвежда ненадеждни дължини на пътищата.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/bg/machine-learning/robust-isolation-forest
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Автоенкодер за детекция на аномалииМашинно обучение↔ сравняване
- Isolation ForestМашинно обучение↔ сравняване
- Еднокласов SVMМашинно обучение↔ сравняване
- Надеждна автоенкодерна детекция на аномалииМашинно обучение↔ сравняване
- Робастна еднокласова SVMМашинно обучение↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →