Robustais izolācijas mežs
Robustais izolācijas mežs paplašina klasisko izolācijas meža (Isolation Forest) anomāliju detektoru ar stratēģijām, kas samazina jutību pret datu piesārņojumu, maskēšanas efektiem un neobjektīviem nejaušiem sadalījumiem. Iekļaujot robustuma mehānismus — piemēram, uzlabotu apakšizlasi, aizdomīgu reģionu pārsvaru vai novirzes koriģētu sadalīšanu — tas nodrošina uzticamākus anomāliju rādītājus, ja pašos apmācības datos ir ievērojama anomāliju daļa vai ja specifiski pazīmju sadalījumi liek standarta iForest radīt neuzticamus ceļa garumus.
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 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/lv/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 anomāliju noteikšanaMašīnmācīšanās↔ compare
- Isolation ForestMašīnmācīšanās↔ compare
- Vienas klases SVMMašīnmācīšanās↔ compare
- Robustā autoenkodera anomāliju noteikšanaMašīnmācīšanās↔ compare
- Robust One-Class SVMMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →