Робусни изолациони шума
Робусни изолациони шума (Robust Isolation Forest) проширује класични детектор аномалија Изолациони шума (Isolation Forest) стратегијама које смањују осетљивост на контаминацију података, ефекте маскирања и пристрасне случајне поделе. Инкорпорирањем механизама робусности — као што су побољшано подизање узорака (subsampling), поновно утезивање сумњивих региона или поделе коригованих за пристрасност — постиже поузданије оцене аномалија када сам скуп података за обуку садржи значајан удео аномалија или када специфичне дистрибуције карактеристика узрокују да стандардни iForest производи непоуздане дужине путања.
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 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/sr/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.
- Autoenkoderska detekcija anomalijaMašinsko učenje↔ compare
- Isolation ForestMašinsko učenje↔ compare
- Jednoklasni SVMMašinsko učenje↔ compare
- Robusni autoenkoder za detekciju anomalijaMašinsko učenje↔ compare
- Robusni jednoklasni SVMMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →