Pădurea de Izolare Robustă
Pădurea de Izolare Robustă (Robust Isolation Forest) extinde detectorul de anomalii clasic Isolation Forest cu strategii care reduc sensibilitatea la contaminarea datelor, efectele de mascare și împărțirile aleatoare părtinitoare. Prin încorporarea mecanismelor de robustețe — cum ar fi eșantionarea îmbunătățită, reponderarea regiunilor suspecte sau împărțirea corectată pentru părtinire — aceasta obține scoruri de anomalie mai fiabile atunci când datele de antrenament însele conțin o fracție non-trivială de anomalii sau când distribuțiile specifice ale caracteristicilor determină iForest-ul standard să producă lungimi de cale nesigure.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/ro/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.
- Detecția anomaliilor cu autoencoderÎnvățare automată↔ compare
- Isolation ForestÎnvățare automată↔ compare
- SVM pentru o singură clasăÎnvățare automată↔ compare
- Detecția anomaliilor bazată pe autoencoder robustÎnvățare automată↔ compare
- SVM Robust de Clasă UnicăÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →