جنگل ایزولهسازی یادگیری فعال
جنگل ایزولهسازی یادگیری فعال، قدرت امتیازدهی ناهنجاری بدون نظارت جنگل ایزولهسازی را با یک استراتژی پرسوجوی تکراری ترکیب میکند که از یک متخصص انسانی میخواهد تا آموزندهترین نمونهها را برچسبگذاری کند. نتیجه، یک آشکارساز است که مرزهای ناهنجاری خود را با استفاده از حداقل بودجه برچسبگذاری اصلاح میکند و دقت را در ناهنجاریهای نادر و ظریف در مقایسه با یک پایه کاملاً بدون نظارت به طور چشمگیری بهبود میبخشد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/fa/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.
- یادگیری فعالیادگیری ماشین↔ compare
- تشخیص ناهنجاری با خودرمزگذاریادگیری ماشین↔ compare
- جنگل ایزوله (Isolation Forest)یادگیری ماشین↔ compare
- ماشین بردار پشتیبان تک کلاسهیادگیری ماشین↔ compare
- جنگل ایزوله نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →