Robustne isolatsioonimets
Robustne isolatsioonimets laiendab klassikalist Isolation Foresti anomaaliadetektorit strateegiatega, mis vähendavad tundlikkust andmete saastumise, maskeerimise efektide ja kallutatud juhuslike jaotuste suhtes. Robustsusmehhanismide – nagu täiustatud alavalim, kahtlaste piirkondade kaalutamine või kallutatud jaotuste parandamine – abil saavutab see usaldusväärsemad anomaaliaskoorid, kui treeningandmed ise sisaldavad mitte-tühist osa anomaaliatest või kui spetsiifilised tunnuste jaotused põhjustavad standardse iForesti ebausaldusväärsete teepikkuste tootmist.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/et/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.
- Autoenkooderiga anomaaliate tuvastamineMasinõpe↔ compare
- Isolation ForestMasinõpe↔ compare
- Üheklassi SVMMasinõpe↔ compare
- Robustse Autokodeerija Anomaaliate TuvastusMasinõpe↔ compare
- Robust One-Class SVMMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →