Isolation Forest
Isolation Forest (Anomaly Detection via Random Partitioning) · Ayrıca şöyle bilinir: Isolation Forest (Aykırı Değer Tespiti), iForest, isolation forest anomaly detection
Isolation Forest, Liu, Ting ve Zhou tarafından 2008'de tanıtılan, verinin rastgele bölümlenmesi yoluyla aykırı değerleri izole eden denetimsiz bir makine öğrenmesi yöntemi olup, aykırı değer ve aykırı gözlem tespiti için kullanılır. Herhangi bir etiketlenmiş aykırı değer verisi olmadan çalışır ve yüksek boyutlu veri kümelerine ölçeklenir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+24 tane daha
Ne zaman kullanılır
Sürekli, muhtemelen yüksek boyutlu, kesitsel veya zaman serisi verilerinde, en az yaklaşık 50 gözlemle, özellikle etiketlenmiş aykırı değerleriniz yoksa, aykırı değerleri veya aykırı gözlemleri tespit etmek için Isolation Forest'ı kullanın. Etiketlenmiş aykırı değer verisine ihtiyaç duymaz ve özellik sayısı arttıkça iyi ölçeklenir; beklenen aykırı değer oranını ifade eden bir bulaşma parametresi sağlarsınız. Yaklaşık 50 gözlemden az olduğunda, normal ve aykırı noktalar arasındaki sınır güvenilmez hale gelir ve istatistiksel aykırı değer yöntemleri veya PCA daha güvenlidir.
Güçlü yönler & sınırlılıklar
- Denetimsiz: aykırı değerleri işaretlemek için etiketlenmiş aykırı değer verisi gerektirmez.
- Yüksek boyutlu verilere iyi ölçeklenir.
- Tüm normal dağılımı modellemek yerine aykırı değerleri doğrudan izole eder, bu da onu verimli kılar.
- Tek bir bulaşma parametresi beklenen aykırı değer oranını ifade eder ve işaretleme eşiğini ayarlar.
- Küçük örneklemlerde (yaklaşık 50'nin altındaki n) normal ve aykırı noktalar arasındaki sınır belirsizdir ve yanlış pozitif oranı yüksektir.
- Yeterli gerçek aykırı değer olmadan, bulaşma parametresi anlamsız hale gelir ve istatistiksel aykırı değer yöntemleri tercih edilir.
- Yorumlanabilir katsayılar veya açık kurallar yerine aykırı değer puanları döndürür.
- Sonuçlar, alan bilgisinden ayarlanması gereken seçilen bulaşma değerine bağlıdır.
SSS
Isolation Forest'ı kullanmak için etiketlenmiş aykırı değerlere ihtiyacım var mı?
Hayır. Rastgele bölümlenme yoluyla aykırı değerleri izole eden denetimsiz bir yöntemdir, bu nedenle çalışmak için etiketlenmiş aykırı değer verisine ihtiyaç duymaz.
Bulaşma parametresi ne işe yarar?
Verideki beklenen aykırı değer oranını ifade eder ve hangi noktaların nihai olarak aykırı değerler olarak işaretleneceğini belirleyen eşiği ayarlar. Veride yeterli gerçek aykırı değer olmadan, bu parametre anlamsız hale gelir.
Neden küçük örneklemlerde zorlanır?
Yaklaşık 50 gözlemden az olduğunda, normal ve aykırı noktalar arasındaki sınır belirsizdir ve yanlış pozitif oranı yüksektir. Bu durumda istatistiksel aykırı değer yöntemleri veya PCA daha güvenli alternatiflerdir.
Aykırı değerler nasıl puanlanır?
Rastgele ağaçlardaki her noktanın ortalama yol uzunluğu — onu izole etmek için kaç kesme gerektiği — bir aykırı değer puanına dönüştürülür. Kısa ortalama yollar olası aykırı değerleri; uzun yollar olası normal noktaları gösterir.
Kaynaklar
- Liu, F.T., Ting, K.M. & Zhou, Z.-H. (2008). Isolation Forest. IEEE ICDM, 413–422. DOI: 10.1109/ICDM.2008.17 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Isolation Forest (Anomaly Detection via Random Partitioning). ScholarGate. https://scholargate.app/tr/machine-learning/isolation-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Gauss Karışım ModeliMakine öğrenmesi↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- t-SNEMakine öğrenmesi↔ karşılaştır