Machine learningMachine learning

Hutan Pengasingan Separa Sedia Terkawal

Hutan Pengasingan Separa Sedia Terkawal (Semi-supervised Isolation Forest) memperluas pengesan anomali Hutan Pengasingan (Isolation Forest) klasik dengan menggabungkan set kecil contoh anomali berlabel (dan mungkin normal) bersama set data tidak berlabel yang besar. Panduan label ini melaraskan skor anomali model supaya anomali yang diketahui diasingkan dengan lebih andal, merapatkan jurang antara pengesanan tanpa pengawasan sepenuhnya dan pengawasan sepenuhnya.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

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

Hutan Pengasingan Separa Sedia Terkawal

Pengesanan Anomali Autoe…Isolation Forest Faktor Penyimpang Lokal…SVM Kelas Tunggal Random Forest Pembelajaran Separa Selia Isolation Forest Pembela…Online Isolation Forest

Sumber

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

Cara memetik halaman ini

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

Pengesanan Anomali AutoenkoderPembelajaran Mesin↔ compare
Isolation ForestPembelajaran Mesin↔ compare
Faktor Penyimpang Lokal (LOF)Pembelajaran Mesin↔ compare
SVM Kelas TunggalPembelajaran Mesin↔ compare
Random ForestPembelajaran Mesin↔ compare
Pembelajaran Separa SeliaPembelajaran Mesin↔ compare

Compare side by side →

Dirujuk oleh

Isolation Forest Pembelajaran Aktif Online Isolation Forest

Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →