Robusztus Izolációs Erdő
A Robusztus Izolációs Erdő (Robust Isolation Forest) a klasszikus Izolációs Erdő (Isolation Forest) anomália detektort olyan stratégiákkal egészíti ki, amelyek csökkentik az érzékenységet az adat-szennyeződésre, a maszkoló hatásokra és az elfogult véletlen felosztásokra. A robusztus mechanizmusok — mint például a továbbfejlesztett almintavételezés, a gyanús régiók újrasúlyozása vagy az elfogultsággal korrigált felosztások — révén megbízhatóbb anomália pontszámokat ér el, amikor maga a tanítóadat-halmaz nem elhanyagolható arányban tartalmaz anomáliákat, vagy amikor specifikus jellemzőeloszlások okozzák, hogy a standard iForest megbízhatatlan úthosszakat produkál.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/hu/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.
- Autoencoder alapú anomáliadetektálásGépi tanulás↔ compare
- Isolation ForestGépi tanulás↔ compare
- One-Class SVMGépi tanulás↔ compare
- Robusztus autoencoderes anomáliadetektálásGépi tanulás↔ compare
- Robuszt Egyosztályú SVMGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →