Ensemble Isolation Forest
Ensemble Isolation Forest trenira višestruke Isolation Forest modele — svaki sa različitim slučajnim semenom (random seed), odnosom podsabiranja (subsampling ratio) ili parametrom kontaminacije (contamination parameter) — i kombinuje njihove rezultate anomalija (anomaly scores) radi dobijanja stabilnijeg, robusnijeg rangiranja anomalija. Averidžiranjem ili agregiranjem više nezavisnih isolation forest modela, ova metoda smanjuje varijansu inherentnu bilo kom pojedinačnom modelu i daje pouzdanije otkrivanje odstupanja (outlier detection) na složenim ili visokodimenzionalnim podacima.
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
- Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM 2008), pp. 413–422. IEEE. DOI: 10.1109/ICDM.2008.17 ↗
- Isolation Forest. Wikipedia. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Ensemble Isolation Forest (Meta-Ensemble Anomaly Detection). ScholarGate. https://scholargate.app/sr/machine-learning/ensemble-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.
- Autoenkoderska detekcija anomalijaMašinsko učenje↔ compare
- Isolation ForestMašinsko učenje↔ compare
- Jednoklasni SVMMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- Glasački ansamblMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →