Активно учење Изолационог шума
Активно учење Изолационог шума комбинује моћ неусмереног оцењивања аномалија Изолационог шума са итеративном стратегијом упита која тражи од експерта да означи најинформативније примерке. Резултат је детектор који прецизира своје границе аномалија користећи минимални буџет за означавање, драматично побољшавајући прецизност на ретким и суптилним аномалијама у поређењу са чисто неусмереним приступом.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning with Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/sr/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.
- Aktivno učenjeMašinsko učenje↔ compare
- Autoenkoderska detekcija anomalijaMašinsko učenje↔ compare
- Isolation ForestMašinsko učenje↔ compare
- Jednoklasni SVMMašinsko učenje↔ compare
- Polu-nadgledana Izolaciona ŠumaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →