Forêt d'isolement semi-supervisée
La Forêt d'isolement semi-supervisée étend le détecteur d'anomalies classique Forêt d'isolement en intégrant un petit ensemble d'exemples d'anomalies étiquetées (et éventuellement normales) aux côtés d'un grand ensemble de données non étiquetées. Ce guidage par étiquettes ajuste les scores d'anomalie du modèle de sorte que les anomalies connues soient séparées de manière plus fiable, comblant ainsi le fossé entre la détection entièrement non supervisée et entièrement supervisée.
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
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/fr/machine-learning/semi-supervised-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
- Facteur d'Anomalie Locale (LOF)Apprentissage automatique↔ compare
- SVM à une classeApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →