Robust Isolation Forest
Robust Isolation Forest เป็นการต่อยอดจากตัวตรวจจับความผิดปกติ (anomaly detector) แบบคลาสสิก Isolation Forest โดยใช้กลยุทธ์ที่ลดความไวต่อการปนเปื้อนของข้อมูล (data contamination) ผลกระทบจากการบดบัง (masking effects) และการแบ่งกลุ่มแบบสุ่มที่มีความเอนเอียง (biased random splits) ด้วยการผนวกกลไกความทนทาน (robustness mechanisms) เช่น การสุ่มตัวอย่างย่อยที่ดีขึ้น การถ่วงน้ำหนักภูมิภาคที่น่าสงสัย หรือการแบ่งกลุ่มที่แก้ไขความเอนเอียงแล้ว ทำให้สามารถให้คะแนนความผิดปกติที่น่าเชื่อถือยิ่งขึ้นเมื่อชุดข้อมูลฝึกสอนมีสัดส่วนของความผิดปกติที่ไม่ใช่เล็กน้อย หรือเมื่อการกระจายตัวของคุณลักษณะเฉพาะทำให้ iForest แบบมาตรฐานให้ความยาวเส้นทาง (path lengths) ที่ไม่น่าเชื่อถือ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/th/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.
- การตรวจจับความผิดปกติด้วยออโตเอ็นโค้ดเดอร์การเรียนรู้ของเครื่อง↔ compare
- Isolation Forestการเรียนรู้ของเครื่อง↔ compare
- One-class SVMการเรียนรู้ของเครื่อง↔ compare
- การตรวจจับความผิดปกติด้วยออโตเอนโค้ดเดอร์แบบทนทานการเรียนรู้ของเครื่อง↔ compare
- Robust One-Class SVMการเรียนรู้ของเครื่อง↔ compare