Çevrimiçi İzolasyon Ormanı
Online Isolation Forest (Streaming Anomaly Detection with Isolation Trees) · Ayrıca şöyle bilinir: streaming isolation forest, incremental isolation forest, online iForest, adaptive isolation forest
Çevrimiçi İzolasyon Ormanı, İzolasyon Ormanı aykırı değer tespit algoritmasını akış halindeki veya sürekli gelen verilere genişletir. Yeni gözlemler geldiğinde izolasyon ağaçlarını sıfırdan yeniden oluşturmak yerine, aykırı değer puanlarının tüm geçmişi yeniden işlemeden güncel kalmasını sağlamak için orman artımlı olarak güncellenir. Bu, veri hacimlerinin sonsuz büyüdüğü gerçek zamanlı izleme, dolandırıcılık tespiti ve sensör verileri gözetimi için pratik hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Aykırı değerlerin sürekli gelen bir veri akışından gerçek zamanlı olarak tespit edilmesi gerektiğinde ve altta yatan dağılımın zamanla kayarak statik bir modelin modası geçmiş hale gelebileceği durumlarda Çevrimiçi İzolasyon Ormanı'nı kullanın. Ağ güvenliği ihlali tespiti, finansal işlem izleme, endüstriyel sensör gözetimi ve yüksek verimli günlük akışı analizi için çok uygundur. Tüm veri kümesinin belleğe rahatça sığdığı ve gerçek zamanlı kararlara gerek duyulmadığı durumlarda standart yığın İzolasyon Ormanı daha basit ve eşit derecede etkili olacağından kaçının. Ayrıca, izolasyon ağaçları kara kutu olarak kaldığı için yorumlanabilir reddetme kurallarına ihtiyaç duyduğunuzda da kaçının.
Güçlü yönler & sınırlılıklar
- Tüm geçmişi depolamadan veri akışlarını işler, bu da onu bellek açısından verimli hale getirir.
- Eski ağaçları taze yetiştirilmiş olanlarla değiştirerek dağılım kaymasına uyum sağlar.
- Yüksek verimli gerçek zamanlı puanlamayı sağlayan iForest'in neredeyse doğrusal zaman karmaşıklığını miras alır.
- Aykırı değer dağılımı hakkında varsayım yapmaz; çok değişkenli, karma türde tablo akışlarında etkilidir.
- Aykırı değer puanı, esnek eşik ayarlamasını destekleyen sürekli bir değerdir.
- Ağaçları ne zaman ve ne kadar agresif bir şekilde değiştireceğini seçmek dikkatli ayarlama ve alan bilgisi gerektirir.
- Rastgele bölmeler ağaç derinliğini boşa harcadığı için ilgisiz özelliklerin çok olduğu verilerde performans düşer.
- Aykırı değer puanları, yığın iForest'ten miras alınan bilinen bir sınırlama olan kümelenmiş aykırı değerler için yanıltıcı olabilir (aykırı değer maskeleme).
- Şeffaf karar kurallarından yoksundur, bu da işaretlenmiş aykırı değerleri teknik olmayan paydaşlara açıklamayı zorlaştırır.
SSS
Çevrimiçi İzolasyon Ormanı standart İzolasyon Ormanı'ndan nasıl farklıdır?
Standart İzolasyon Ormanı, sabit bir veri yığını üzerinde bir kez eğitilir ve yeni gözlemlere uyum sağlayamaz. Çevrimiçi İzolasyon Ormanı, yeni veri geldikçe ağaç ormanını artımlı olarak günceller, bu da tam yeniden eğitim olmadan bir akıştaki dağılım değişikliklerini izlemesine olanak tanır.
Ağaçları ne sıklıkla yenileyeceğimi nasıl seçerim?
Yaygın bir strateji, her sabit sayıda yeni gözlem geldiğinde en eski ağacı yakın zamanda bir veri penceresinde büyütülmüş yeni bir ağaçla değiştirmektir. Değiştirme oranı, uygulamanızdaki dağılım kaymasının beklenen hızına göre kalibre edilmelidir.
Çevrimiçi İzolasyon Ormanı yüksek boyutlu verilerde iyi çalışır mı?
İlgisiz boyutlar arttıkça performansı düşer, çünkü rastgele bölmeler işe yaramaz özelliklere yayılır. Veriyi akışa almadan önce özellik seçimi veya boyut azaltma uygulamak tespit doğruluğunu artırır.
Hangi aykırı değer puanı eşiğini kullanmalıyım?
Yaklaşık 0.6'nın üzerindeki puanlar geleneksel olarak aykırı değer olarak işaretlenir, ancak bu veri kümesine bağlıdır. Dağıtımdan önce etiketlenmiş doğrulama örneklerini veya kabul edilebilir yanlış pozitif oranları hakkındaki alan bilgisini kullanarak eşiği her zaman kalibre edin.
Kavram kaymasını idare edebilir mi?
Evet - bu, yığın iForest'e göre temel avantajıdır. Eski ağaçları yakın zamanda veri üzerinde büyütülmüş ağaçlarla sürekli olarak değiştirerek, model normal veri dağılımındaki kademeli veya ani kaymaları izler.
Kaynaklar
- Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation Forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM), pp. 413–422. DOI: 10.1109/ICDM.2008.17 ↗
- Tan, S. C., Ting, K. M., & Liu, T. F. (2011). Fast Anomaly Detection for Streaming Data. In Proceedings of the 22nd International Joint Conference on Artificial Intelligence (IJCAI), pp. 1511–1516. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Isolation Forest (Streaming Anomaly Detection with Isolation Trees). ScholarGate. https://scholargate.app/tr/machine-learning/online-isolation-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Otokodlayıcı Anomali TespitiMakine öğrenmesi↔ karşılaştır
- Isolation ForestMakine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Online Random Forest (Çevrimiçi Rastgele Orman)Makine öğrenmesi↔ karşılaştır
- Yarı denetimli Isolation ForestMakine öğrenmesi↔ karşılaştır