Aktivno učenje Izolacijske šume
Aktivno učenje Izolacijske šume kombinira nesuperviziranu moć bodovanja anomalija Izolacijske šume s iterativnom strategijom upita koja traži od ljudskog stručnjaka da označi najinformativnije instance. Rezultat je detektor koji usavršava svoje granice anomalija koristeći minimalni proračun za označavanje, dramatično poboljšavajući preciznost na rijetkim i suptilnim anomalijama u usporedbi s isključivo nesuperviziranom baznom linijom.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Das, S., Wong, W. K., Fern, A., Dietterich, T. G., & Amran Siddiqui, M. (2019). Incorporating Expert Feedback into Active Anomaly Discovery. In Proceedings of the 2019 IEEE International Conference on Data Mining (ICDM), pp. 1009–1014. link ↗
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/hr/machine-learning/active-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.
- Aktivno učenjeStrojno učenje↔ compare
- Detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Izolacijska šumaStrojno učenje↔ compare
- Jednoklasni SVMStrojno učenje↔ compare
- Polu-nadgledana (Semi-supervised) verzija metode Isolation ForestStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →