Robusni Isolation Forest
Robusni Isolation Forest proširuje klasični detektor anomalija Isolation Forest strategijama koje smanjuju osjetljivost na kontaminaciju podataka, maskirajuće efekte i pristrane slučajne podjele. Uključivanjem mehanizama robusnosti — kao što su poboljšano poduzorkovanje, re-ponderiranje sumnjivih regija ili podjele korigirane pristranošću — postiže pouzdanije rezultate anomalija kada sam skup podataka za treniranje sadrži značajan udio anomalija ili kada specifične distribucije značajki uzrokuju da standardni iForest generira nepouzdane duljine putanja.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/hr/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.
- Detekcija anomalija pomoću autoenkoderaStrojno učenje↔ compare
- Izolacijska šumaStrojno učenje↔ compare
- Jednoklasni SVMStrojno učenje↔ compare
- Robust Autoencoder Anomaly DetectionStrojno učenje↔ compare
- Robusni jednoklasni SVMStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →