Active Learning Isolation Forest
Active Learning Isolation Forest kombiniert die unüberwachte Anomalie-Scoring-Leistung von Isolation Forest mit einer iterativen Abfragestrategie, die einen menschlichen Experten bittet, die informativsten Instanzen zu labeln. Das Ergebnis ist ein Detektor, der seine Anomalie-Grenzen mit einem minimalen Labeling-Budget verfeinert und die Präzision bei seltenen und subtilen Anomalien im Vergleich zu einer rein unüberwachten Basislinie dramatisch verbessert.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Das, S., Wong, W. K., Fern, A., Dietterich, T. G., & Amran Siddiqui, M. (2019). Incorporating Expert Feedback into Active Anomaly Discovery. In Proceedings of the 2019 IEEE International Conference on Data Mining (ICDM), pp. 1009–1014. link ↗
- Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008). Isolation Forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM), pp. 413–422. DOI: 10.1109/ICDM.2008.17 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/de/machine-learning/active-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.
- Aktives LernenMaschinelles Lernen↔ compare
- Autoencoder-AnomalieerkennungMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Halbüberwachte Isolation ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →