Robust Isolation Forest
Robust Isolation Forest laajentaa klassista Isolation Forest -poikkeamienilmaisinta strategioilla, jotka vähentävät herkkyyttä datan kontaminaatiolle, peittovaikutuksille ja vinoutuneille satunnaisjaoille. Sisällyttämällä robustisuusmekanismeja – kuten parannettua osanottoa, epäilyttävien alueiden uudelleenkertoamista tai vinoumakorjattuja jakoja – se saavuttaa luotettavampia poikkeamapisteitä, kun itse opetusdata sisältää merkittävän osan poikkeamia tai kun tietyt piirrejakaumat aiheuttavat standardin iForestin epäluotettavia polkupituuksia.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/fi/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.
- Autoenkooderin poikkeamien tunnistusKoneoppiminen↔ compare
- Isolation ForestKoneoppiminen↔ compare
- Yhden luokan SVMKoneoppiminen↔ compare
- Robusti autoenkooderin poikkeamien havaitseminenKoneoppiminen↔ compare
- Robust One-Class SVMKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →