Aktiivne Õppimine Isolatsioonimets
Aktiivne Õppimine Isolatsioonimets ühendab Isolatsioonimetsa järelevalveta anomaaliate hindamise võimekuse iteratiivse päringustrateegiaga, mis palub inimspetsialistil märgistada kõige informatiivsemad üksikjuhtumid. Tulemuseks on detektor, mis täpsustab oma anomaaliapiire minimaalse märgistamise eelarvega, parandades dramaatiliselt haruldaste ja peente anomaaliate täpsust võrreldes puhtalt järelevalveta alusmudeliga.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/et/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.
- Aktiivne õppimineMasinõpe↔ compare
- Autoenkooderiga anomaaliate tuvastamineMasinõpe↔ compare
- Isolation ForestMasinõpe↔ compare
- Üheklassi SVMMasinõpe↔ compare
- Semi-supervised Isolation ForestMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →