جنگل ایزولهسازی مقاوم
جنگل ایزولهسازی مقاوم (Robust Isolation Forest) بسطی از آشکارساز ناهنجاری کلاسیک جنگل ایزولهسازی (Isolation Forest) است که با راهبردهایی برای کاهش حساسیت به آلودگی دادهها، اثرات پوشانندگی و تقسیمبندیهای تصادفی سوگیرانه همراه شده است. با گنجاندن سازوکارهای مقاومت — مانند نمونهبرداری فرعی بهبودیافته، وزندهی مجدد مناطق مشکوک، یا تقسیمبندی با تصحیح سوگیری — این روش به نمرات ناهنجاری قابلاعتمادتر دست مییابد، بهویژه زمانی که دادههای آموزشی خود حاوی نسبت قابلتوجهی از ناهنجاریها باشند یا توزیعهای ویژگی خاصی باعث شوند iForest استاندارد طول مسیرهای نامطمئنی تولید کند.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/fa/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.
- تشخیص ناهنجاری با خودرمزگذاریادگیری ماشین↔ compare
- جنگل ایزوله (Isolation Forest)یادگیری ماشین↔ compare
- ماشین بردار پشتیبان تک کلاسهیادگیری ماشین↔ compare
- تشخیص ناهنجاری با خودرمزگذار مقاوم (Robust Autoencoder Anomaly Detection)یادگیری ماشین↔ compare
- ماشین بردار پشتیبان تک کلاسه مقاومیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →