Isolation Forest
Isolation Forest je metoda neregulovaného (unsupervised) strojového učení pro detekci anomálií a odlehlých hodnot, představená Liu, Tingem a Zhouem v roce 2008, která izoluje anomálie prostřednictvím náhodného rozdělování dat. Funguje bez jakýchkoli označených (labelled) dat o anomáliích a škáluje na vysokodimenzionální datové sady.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+24 more
Zdroje
- Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422. DOI: 10.1109/ICDM.2008.17 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Isolation Forest (Anomaly Detection via Random Partitioning). ScholarGate. https://scholargate.app/cs/machine-learning/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.
- Rozhodovací stromStrojové učení↔ compare
- Gaussovský směsný modelStrojové učení↔ compare
- Analýza hlavních komponentStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- t-SNEStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →