Устойчивый Isolation Forest
Устойчивый Isolation Forest расширяет классический детектор аномалий Isolation Forest стратегиями, которые снижают чувствительность к загрязнению данных, эффектам маскировки и смещенным случайным разбиениям. Включая механизмы устойчивости — такие как улучшенная подвыборка, перевзвешивание подозрительных областей или разбиение с коррекцией смещения — он достигает более надежных оценок аномалий, когда сами обучающие данные содержат нетривиальную долю аномалий или когда специфические распределения признаков приводят к тому, что стандартный iForest выдает ненадежные длины путей.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/ru/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.
- Автоэнкодер для обнаружения аномалийМашинное обучение↔ compare
- Isolation ForestМашинное обучение↔ compare
- Одноклассовая SVMМашинное обучение↔ compare
- Надежное обнаружение аномалий автокодировщикаМашинное обучение↔ compare
- Робастная одноклассовая SVM (Robust One-Class SVM)Машинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →