Isolation Forest
Isolation Forest je metod nenadzorovanog mašinskog učenja za detekciju anomalija i odstupanja, koji su 2008. godine predstavili Liu, Ting i Zhou, a koji izdvaja anomalije putem slučajnog particionisanja podataka. Funkcioniše bez ikakvih označenih podataka o anomalijama i skalira se na visokodimenzionalne skupove podataka.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+24 more
Izvori
- Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422. DOI: 10.1109/ICDM.2008.17 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Isolation Forest (Anomaly Detection via Random Partitioning). ScholarGate. https://scholargate.app/sr/machine-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.
- Дрво одлучивањаMašinsko učenje↔ compare
- Gausov model mešavineMašinsko učenje↔ compare
- Analiza glavnih komponentiMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- t-SNEMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →