Metodbevispost

Isolation Forest

Isolation Forest is an unsupervised machine-learning method for anomaly and outlier detection, introduced by Liu, Ting and Zhou in 2008, that isolates anomalies through random partitioning of the data. It works without any labelled anomaly data and scales to high-dimensional datasets.

Sources recorded, not reviewed

Källpost

Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.

Isolation Forest (Anomaly Detection via Random Partitioning)

Taxonomisk metodpost · ml-model / machine-learning

Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422. · DOI 10.1109/ICDM.2008.17

Öppna fullständig metod

Kuraterade påståenden

Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.

Inga kuraterade påståenden ännu

Denna vy hittar inte på en påståendebedömning när loggen saknar en.

Relaterade metoder

Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.

Same method familyDecision Treemachine-suggested · Relational suggestion, not evidence.Same method familyGaussian Mixture Modelmachine-suggested · Relational suggestion, not evidence.Same method familyPrincipal Component Analysismachine-suggested · Relational suggestion, not evidence.Same method familyRandom Forestmachine-suggested · Relational suggestion, not evidence.Same method familyt-SNEmachine-suggested · Relational suggestion, not evidence.