Forest d'Aïllament Robusta
La Forest d'Aïllament Robusta estén el detector d'anomalies clàssic Forest d'Aïllament amb estratègies que redueixen la sensibilitat a la contaminació de dades, els efectes de emmascarament i les particions aleatòries esbiaixades. Incorporant mecanismes de robustesa —com ara subsampling millorat, re-ponderació de regions sospitoses o particions corregides per biaix— aconsegueix puntuacions d'anomalia més fiables quan les dades d'entrenament contenen una fracció no trivial d'anomalies o quan distribucions de característiques específiques causen que la iForest estàndard produeixi longituds de camí poc fiables.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/ca/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.
- Detecció d'anomalies amb autoencodersAprenentatge automàtic↔ compare
- Isolation ForestAprenentatge automàtic↔ compare
- SVM d'una sola classeAprenentatge automàtic↔ compare
- Detecció d'anomalies amb Autoencoders RobustosAprenentatge automàtic↔ compare
- Robust One-Class SVMAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →