Online Isolation Forest
Online Isolation Forest erweitert den Anomalieerkennungsalgorithmus Isolation Forest auf Streaming- oder kontinuierlich ankommende Daten. Anstatt Isolationsbäume bei neuen Beobachtungen von Grund auf neu zu erstellen, wird der Wald inkrementell aktualisiert, sodass Anomalie-Scores aktuell bleiben, ohne die gesamte Historie neu zu verarbeiten. Dies macht ihn praktikabel für Echtzeit-Überwachung, Betrugserkennung und Sensor-Daten-Überwachung, wo die Datenmengen unbegrenzt wachsen.
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
- 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 ↗
- Tan, S. C., Ting, K. M., & Liu, T. F. (2011). Fast Anomaly Detection for Streaming Data. In Proceedings of the 22nd International Joint Conference on Artificial Intelligence (IJCAI), pp. 1511–1516. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Online Isolation Forest (Streaming Anomaly Detection with Isolation Trees). ScholarGate. https://scholargate.app/de/machine-learning/online-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-AnomalieerkennungMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Online-LernenMaschinelles Lernen↔ compare
- Online Random ForestMaschinelles Lernen↔ compare
- Halbüberwachte Isolation ForestMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →