Robust Isolation Forest
Robust Isolation Forest rozszerza klasyczny detektor anomalii Isolation Forest o strategie redukujące wrażliwość na zanieczyszczenie danych, efekty maskowania i stronnicze podziały losowe. Poprzez włączenie mechanizmów odporności — takich jak ulepszone próbkowanie podzbiorów, re-ważenie podejrzanych regionów lub podziały skorygowane o błąd systematyczny — osiąga bardziej wiarygodne wyniki anomalii, gdy sam zbiór treningowy zawiera niepomijalną część anomalii lub gdy specyficzne rozkłady cech powodują, że standardowy iForest generuje niewiarygodne długości ścieżek.
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
- Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. In Proceedings of the IEEE International Conference on Data Mining (ICDM), pp. 413–422. IEEE. DOI: 10.1109/ICDM.2008.17 ↗
- Hariri, S., Kind, M. C., & Brunner, R. J. (2019). Extended Isolation Forest. IEEE Transactions on Knowledge and Data Engineering, 33(4), 1479–1489. DOI: 10.1109/TKDE.2019.2947676 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/pl/machine-learning/robust-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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Wykrywanie anomalii za pomocą odpornego autoenkoderaUczenie maszynowe↔ compare
- Robust One-Class SVMUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →