Isolation Forest
Isolation Forest to metoda uczenia maszynowego bez nadzoru służąca do wykrywania anomalii i wartości odstających, wprowadzona przez Liu, Ting i Zhou w 2008 roku, która izoluje anomalie poprzez losowe partycjonowanie danych. Działa bez etykietowanych danych anomalii i skaluje się do zbiorów danych o wysokiej wymiarowości.
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.
+24 more
Źródła
- Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422. DOI: 10.1109/ICDM.2008.17 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Isolation Forest (Anomaly Detection via Random Partitioning). ScholarGate. https://scholargate.app/pl/machine-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.
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Model Gaussa (Gaussian Mixture Model)Uczenie maszynowe↔ compare
- Analiza Głównych SkładowychUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- t-SNEUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →