Активное обучение с использованием Isolation Forest
Активное обучение с использованием Isolation Forest сочетает в себе мощность неконтролируемого обнаружения аномалий Isolation Forest с итеративной стратегией запросов, которая просит эксперта-человека пометить наиболее информативные экземпляры. Результатом является детектор, который уточняет свои границы аномалий, используя минимальный бюджет на маркировку, что значительно повышает точность обнаружения редких и тонких аномалий по сравнению с чисто неконтролируемым базовым методом.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/ru/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.
- Активное обучениеМашинное обучение↔ compare
- Автоэнкодер для обнаружения аномалийМашинное обучение↔ compare
- Isolation ForestМашинное обучение↔ compare
- Одноклассовая SVMМашинное обучение↔ compare
- Полуавтоматический Isolation ForestМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →