ScholarGate
Assistent
Machine learningMachine learning

Semi-supervised Isolation Forest

Semi-supervised Isolation Forest utvider den klassiske Isolation Forest-anomalidetektoren ved å inkludere et lite sett med merkede anomalier (og muligens normale eksempler) sammen med et stort umerket datasett. Denne merkeveiledningen justerer modellens anomaliskårer slik at kjente anomalier separeres mer pålitelig, og bygger bro over gapet mellom fullstendig uovervåket og fullstendig overvåket deteksjon.

Åpne i MethodMindSnartVideoSnartDownload slides

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Method map

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

Kilder

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

Slik siterer du denne siden

ScholarGate. (2026, June 3). Semi-supervised Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/no/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.

Compare side by side

Referert av

ScholarGateSemi-supervised Isolation Forest (Semi-supervised Isolation Forest for Anomaly Detection). Hentet 2026-06-15 fra https://scholargate.app/no/machine-learning/semi-supervised-isolation-forest · Datasett: https://doi.org/10.5281/zenodo.20539026