Aktiv læring Isolation Forest
Aktiv læring Isolation Forest kombinerer den uovervåkede anomalipoenggivende kraften til Isolation Forest med en iterativ spørringsstrategi som ber en menneskelig ekspert om å merke de mest informative instansene. Resultatet er en detektor som raffinerer sine anomaligrenser ved hjelp av et minimalt merkingsbudsjett, noe som dramatisk forbedrer presisjonen på sjeldne og subtile anomalier sammenlignet med en rent uovervåket baseline.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/no/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.
- Aktiv læringMaskinlæring↔ compare
- Autoenkoder-anomalideteksjonMaskinlæring↔ compare
- Isolation ForestMaskinlæring↔ compare
- One-Class SVMMaskinlæring↔ compare
- Semi-supervised Isolation ForestMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →