Isolation Forest
L'Isolation Forest est une méthode d'apprentissage automatique non supervisé pour la détection d'anomalies et de valeurs aberrantes, introduite par Liu, Ting et Zhou en 2008, qui isole les anomalies par partitionnement aléatoire des données. Elle fonctionne sans données d'anomalies étiquetées et s'adapte aux ensembles de données de grande dimension.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+24 more
Sources
- Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422. DOI: 10.1109/ICDM.2008.17 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Isolation Forest (Anomaly Detection via Random Partitioning). ScholarGate. https://scholargate.app/fr/machine-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.
- Arbre de décisionApprentissage automatique↔ compare
- Modèle de mélange gaussienApprentissage automatique↔ compare
- Analyse en composantes principalesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- t-SNEApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →