Robust Isolation Forest
Robust Isolation Forest rozšiřuje klasický detektor anomálií Isolation Forest o strategie, které snižují citlivost na kontaminaci dat, maskovací efekty a vychýlené náhodné dělící řezy. Začleněním mechanismů robustnosti — jako je vylepšené subsampling, převažování podezřelých oblastí nebo korekce vychýlení při dělení — dosahuje spolehlivějších skóre anomálií, když samotná trénovací data obsahují netriviální zlomek anomálií nebo když specifické distribuce příznaků způsobují, že standardní iForest produkuje nespolehlivé délky cest.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/cs/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.
- Detekce anomálií pomocí autoenkodéruStrojové učení↔ compare
- Isolation ForestStrojové učení↔ compare
- One-class SVMStrojové učení↔ compare
- Robustní detekce anomálií pomocí autoenkodéruStrojové učení↔ compare
- Robust One-Class SVMStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →