ScholarGate
Assistente
Machine learningMachine learning

Isolation Forest semi-supervisionato

L'Isolation Forest semi-supervisionato estende il classico rilevatore di anomalie Isolation Forest incorporando un piccolo insieme di esempi di anomalie (e possibilmente normali) etichettati accanto a un ampio set di dati non etichettati. Questa guida tramite etichette regola i punteggi di anomalia del modello in modo che le anomalie note vengano separate in modo più affidabile, colmando il divario tra il rilevamento completamente non supervisionato e quello completamente supervisionato.

Apri in MethodMindIn arrivoVideoIn arrivoDownload slides

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Method map

The neighbourhood of related methods — select a node to explore.

Fonti

  1. Görnitz, N., Kloft, M., Rieck, K., & Brefeld, U. (2013). Toward supervised anomaly detection. Journal of Artificial Intelligence Research, 46, 235–262. link
  2. Isolation Forest. Wikipedia. link

Come citare questa pagina

ScholarGate. (2026, June 3). Semi-supervised Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/it/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.

Compare side by side

Citato da

ScholarGateSemi-supervised Isolation Forest (Semi-supervised Isolation Forest for Anomaly Detection). Consultato il 2026-06-15 da https://scholargate.app/it/machine-learning/semi-supervised-isolation-forest · Insieme di dati: https://doi.org/10.5281/zenodo.20539026