Isolation Forest en ligne
Isolation Forest en ligne étend l'algorithme de détection d'anomalies Isolation Forest aux données en flux continu ou arrivant continuellement. Au lieu de reconstruire les arbres d'isolement à partir de zéro lorsque de nouvelles observations arrivent, la forêt est mise à jour de manière incrémentielle afin que les scores d'anomalie restent à jour sans retraiter tout l'historique. Cela le rend pratique pour la surveillance en temps réel, la détection de fraude et la surveillance des données de capteurs où les volumes de données augmentent indéfiniment.
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.
Sources
- 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 ↗
- Tan, S. C., Ting, K. M., & Liu, T. F. (2011). Fast Anomaly Detection for Streaming Data. In Proceedings of the 22nd International Joint Conference on Artificial Intelligence (IJCAI), pp. 1511–1516. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Online Isolation Forest (Streaming Anomaly Detection with Isolation Trees). ScholarGate. https://scholargate.app/fr/machine-learning/online-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.
- Détection d'anomalies par auto-encodeurApprentissage automatique↔ compare
- Isolation ForestApprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
- Apprentissage en ligneApprentissage automatique↔ compare
- Forêt aléatoire en ligneApprentissage automatique↔ compare
- Forêt d'isolement semi-superviséeApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →