Bosque de Aislamiento con Aprendizaje Activo
El Bosque de Aislamiento con Aprendizaje Activo combina el poder de puntuación de anomalías no supervisado del Bosque de Aislamiento con una estrategia de consulta iterativa que solicita a un experto humano que etiquete las instancias más informativas. El resultado es un detector que refina sus límites de anomalías utilizando un presupuesto de etiquetado mínimo, mejorando drásticamente la precisión en anomalías raras y sutiles en comparación con una línea de base puramente no supervisada.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/es/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.
- Aprendizaje activoAprendizaje automático↔ compare
- Detección de anomalías con autoencoderAprendizaje automático↔ compare
- Isolation ForestAprendizaje automático↔ compare
- SVM de una claseAprendizaje automático↔ compare
- Isolation Forest SemisupervisadoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →