Tiešsaistes izolācijas mežs (Online Isolation Forest)
Tiešsaistes izolācijas mežs ir izolācijas meža (Isolation Forest) anomaliju noteikšanas algoritma paplašinājums, kas paredzēts datu plūsmām vai nepārtraukti ienākošiem datiem. Tā vietā, lai no jauna veidotu izolācijas kokus katru reizi, kad pienāk jauni novērojumi, mežs tiek inkrementāli atjaunināts, lai anomaliju rādītāji paliktu aktuāli, nepārstrādājot visu vēsturi. Tas padara to praktisku reāllaika uzraudzībai, krāpšanas noteikšanai un sensora datu uzraudzībai, kur datu apjoms nepārtraukti pieaug.
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
- 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 ↗
- Tan, S. C., Ting, K. M., & Liu, T. F. (2011). Fast Anomaly Detection for Streaming Data. In Proceedings of the 22nd International Joint Conference on Artificial Intelligence (IJCAI), pp. 1511–1516. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online Isolation Forest (Streaming Anomaly Detection with Isolation Trees). ScholarGate. https://scholargate.app/lv/machine-learning/online-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 anomāliju noteikšanaMašīnmācīšanās↔ compare
- Isolation ForestMašīnmācīšanās↔ compare
- Vienas klases SVMMašīnmācīšanās↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Tiešsaistes nejaušais mežsMašīnmācīšanās↔ compare
- Pusuzraudzītā izolācijas meža metode (Semi-supervised Isolation Forest)Mašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →