Machine learning

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.

Otevřít v MethodMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Method map

The neighbourhood of related methods — select a node to explore.

+24 more

Zdroje

  1. 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.

Compare side by side

Odkazuje sem

ScholarGateIsolation Forest (Isolation Forest (Anomaly Detection via Random Partitioning)). Získáno 2026-06-15 z https://scholargate.app/cs/machine-learning/isolation-forest · Datová sada: https://doi.org/10.5281/zenodo.20539026