Półnadzorowany Isolation Forest
Półnadzorowany Isolation Forest rozszerza klasyczny detektor anomalii Isolation Forest poprzez włączenie niewielkiego zbioru oznakowanych anomalii (i ewentualnie normalnych przykładów) obok dużej nieoznakowanej bazy danych. To ukierunkowanie etykietami dostosowuje wyniki anomalii modelu tak, aby znane anomalie były rozdzielane bardziej niezawodnie, wypełniając lukę między wykrywaniem całkowicie nienadzorowanym a całkowicie nadzorowanym.
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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/pl/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.
- Detekcja anomalii za pomocą autoenkoderówUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- Lokalny Wskaźnik Wartości Odstających (Local Outlier Factor - LOF)Uczenie maszynowe↔ compare
- One-Class SVMUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →