Robust Isolation Forest
Robust Isolation Forest udvider den klassiske Isolation Forest anomalidetektor med strategier, der reducerer følsomheden over for datakontaminering, maskeringseffekter og skæve tilfældige opdelinger. Ved at inkorporere robusthedsmekanismer – såsom forbedret subsampling, genvægtning af mistænkelige regioner eller bias-korrigerede opdelinger – opnår den mere pålidelige anomaliscorer, når selve træningsdataene indeholder en ikke-triviel brøkdel af anomalier, eller når specifikke trækfordelinger får standard iForest til at producere upålidelige st længder.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/da/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.
- Autoencoder AnomalidetektionMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Robust Autoencoder Anomaly DetectionMaskinlæring↔ compare
- Robust One-Class SVMMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →