Isolation Forest
Το Isolation Forest είναι μια μη επιβλεπόμενη μέθοδος μηχανικής μάθησης για τον εντοπισμό ανωμαλιών και ακραίων τιμών, που εισήχθη από τους Liu, Ting και Zhou το 2008. Απομονώνει τις ανωμαλίες μέσω τυχαίας διαμέρισης των δεδομένων. Λειτουργεί χωρίς δεδομένα με επισημασμένες ανωμαλίες και είναι επεκτάσιμη σε πολυδιάστατα σύνολα δεδομένων.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+24 more
Πηγές
- Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422. DOI: 10.1109/ICDM.2008.17 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Isolation Forest (Anomaly Detection via Random Partitioning). ScholarGate. https://scholargate.app/el/machine-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.
- Δέντρο ΑποφάσεωνΜηχανική Μάθηση↔ compare
- Μοντέλο Γκαουσιανής ΜίξηςΜηχανική Μάθηση↔ compare
- Ανάλυση Κύριων ΣυνιστωσώνΜηχανική Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- t-SNEΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →