Aktywne uczenie z wykorzystaniem Isolation Forest
Aktywne uczenie z wykorzystaniem Isolation Forest łączy nienadzorowaną moc Isolation Forest w zakresie oceny anomalii z iteracyjną strategią zapytań, która prosi eksperta ludzkiego o etykietowanie najbardziej informatywnych instancji. Rezultatem jest detektor, który udoskonala swoje granice anomalii przy minimalnym budżecie etykietowania, znacząco poprawiając precyzję w przypadku rzadkich i subtelnych anomalii w porównaniu z czysto nienadzorowaną metodą bazową.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/pl/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.
- Aktywna naukaUczenie maszynowe↔ compare
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Półnadzorowany Isolation ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →