Machine learningMachine learning

Active Learning Isolation Forest

Το Active Learning Isolation Forest συνδυάζει την ανιχνευτική ισχύ μη επιβλεπόμενης μάθησης του Isolation Forest με μια επαναληπτική στρατηγική ερωτήσεων που ζητά από έναν ειδικό του τομέα να επισημάνει τις πιο πληροφοριακές περιπτώσεις. Το αποτέλεσμα είναι ένας ανιχνευτής που βελτιώνει τα όρια ανίχνευσης ανωμαλιών χρησιμοποιώντας έναν ελάχιστο προϋπολογισμό επισημάνσεων, βελτιώνοντας δραματικά την ακρίβεια σε σπάνιες και ανεπαίσθητες ανωμαλίες σε σύγκριση με μια καθαρά μη επιβλεπόμενη βάση αναφοράς.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. 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
  2. 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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateActive learning Isolation forest (Active Learning with Isolation Forest for Anomaly Detection). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/active-learning-isolation-forest · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026