Robuster Isolation Forest
Robuster Isolation Forest erweitert den klassischen Isolation Forest Anomalie-Detektor um Strategien, die die Empfindlichkeit gegenüber Datenkontamination, Maskierungseffekten und verzerrten Zufallsaufteilungen reduzieren. Durch die Einbeziehung von Robustheitsmechanismen – wie verbesserte Teilmengenbildung, Neubewertung verdächtiger Regionen oder bias-korrigierte Aufteilungen – erzielt er zuverlässigere Anomalie-Scores, wenn die Trainingsdaten selbst einen nicht-trivialen Anteil an Anomalien enthalten oder wenn spezifische Merkmalsverteilungen dazu führen, dass der Standard-iForest unzuverlässige Pfadlängen produziert.
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 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/de/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-AnomalieerkennungMaschinelles Lernen↔ compare
- Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVMMaschinelles Lernen↔ compare
- Robust Autoencoder Anomaly DetectionMaschinelles Lernen↔ compare
- Robust One-Class SVMMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →