Bosque de Aislamiento Robusto
El Bosque de Aislamiento Robusto (Robust Isolation Forest) extiende el detector de anomalías clásico Bosque de Aislamiento (Isolation Forest) con estrategias que reducen la sensibilidad a la contaminación de datos, los efectos de enmascaramiento y las divisiones aleatorias sesgadas. Al incorporar mecanismos de robustez —como submuestreo mejorado, reponderación de regiones sospechosas o divisiones corregidas por sesgo—, logra puntuaciones de anomalía más fiables cuando los propios datos de entrenamiento contienen una fracción no trivial de anomalías o cuando distribuciones de características específicas hacen que el iForest estándar produzca longitudes de camino poco fiables.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/es/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.
- Detección de anomalías con autoencoderAprendizaje automático↔ compare
- Isolation ForestAprendizaje automático↔ compare
- SVM de una claseAprendizaje automático↔ compare
- Detección de Anomalías Robusta con AutoencodersAprendizaje automático↔ compare
- SVM Unicategórico RobustoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →