Aktīvās mācīšanās izolācijas mežs
Aktīvās mācīšanās izolācijas mežs apvieno Izolācijas meža (Isolation Forest) neuzraudzīto anomāliju vērtēšanas spēju ar iteratīvu vaicājumu stratēģiju, kas lūdz cilvēka ekspertam marķēt visinformatīvākās instances. Rezultātā tiek iegūts detektors, kas precizē savas anomāliju robežas, izmantojot minimālu marķēšanas budžetu, ievērojami uzlabojot precizitāti retu un smalku anomāliju gadījumā, salīdzinot ar tīri neuzraudzītu bāzes modeli.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/lv/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.
- Aktīvā mācīšanāsMašīnmācīšanās↔ compare
- Autoencoder anomāliju noteikšanaMašīnmācīšanās↔ compare
- Isolation ForestMašīnmācīšanās↔ compare
- Vienas klases SVMMašīnmācīšanās↔ compare
- Pusuzraudzītā izolācijas meža metode (Semi-supervised Isolation Forest)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →