Isolation Forest de Aprendizado Ativo
O Isolation Forest de Aprendizado Ativo combina o poder de pontuação de anomalias não supervisionado do Isolation Forest com uma estratégia iterativa de consulta que solicita a um especialista humano que rotule as instâncias mais informativas. O resultado é um detector que refina seus limites de anomalia usando um orçamento mínimo de rotulagem, melhorando dramaticamente a precisão em anomalias raras e sutis em comparação com uma linha de base puramente não supervisionada.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/pt/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.
- Aprendizagem AtivaAprendizado de máquina↔ compare
- Detecção de Anomalias com AutoencoderAprendizado de máquina↔ compare
- Isolation ForestAprendizado de máquina↔ compare
- One-Class SVMAprendizado de máquina↔ compare
- Semi-supervised Isolation ForestAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →