Isolation Forest Pembelajaran Aktif
Isolation Forest Pembelajaran Aktif menggabungkan kuasa pemarkahan anomali tanpa pengawasan Isolation Forest dengan strategi pertanyaan berulang yang meminta pakar manusia untuk melabelkan contoh yang paling bermaklumat. Hasilnya ialah pengesan yang memperhalusi sempadan anomalinya menggunakan bajet pelabelan yang minimum, meningkatkan ketepatan secara dramatik pada anomali yang jarang dan halus berbanding dengan asas tanpa pengawasan semata-mata.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran AktifPembelajaran Mesin↔ compare
- Pengesanan Anomali AutoenkoderPembelajaran Mesin↔ compare
- Isolation ForestPembelajaran Mesin↔ compare
- SVM Kelas TunggalPembelajaran Mesin↔ compare
- Hutan Pengasingan Separa Sedia TerkawalPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →