Yarı denetimli Isolation Forest
Semi-supervised Isolation Forest for Anomaly Detection · Ayrıca şöyle bilinir: SSIF, semi-supervised iForest, label-guided Isolation Forest, partially supervised Isolation Forest
Yarı denetimli Isolation Forest, klasik Isolation Forest aykırı değer tespit edicisini, büyük bir etiketsiz veri kümesinin yanı sıra küçük bir etiketli aykırı değer (ve muhtemelen normal) örneği kümesi dahil ederek genişletir. Bu etiket rehberliği, bilinen aykırı değerlerin daha güvenilir bir şekilde ayrılmasını sağlamak için modelin aykırı değer puanlarını ayarlar ve tam denetimsiz ile tam denetimli tespit arasındaki boşluğu doldurur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Büyük bir etiketsiz veri havuzunuz olduğunda, tam etiketlemenin maliyetinin engelleyici olduğu, ancak en azından doğrulanmış aykırı değerlerin küçük bir kümesi (ve isteğe bağlı olarak bazı doğrulanmış normal değerler) için etiket elde edebildiğinizde Yarı denetimli Isolation Forest'ı kullanın. Özellikle siber güvenlik, dolandırıcılık, tahmine dayalı bakım ve tıbbi izleme alanlarında nadir olay tespiti için değerlidir, çünkü alan uzmanları az sayıda bilinen olayı etiketleyebilir. Hiç etiketli aykırı değer olmadığında (standart Isolation Forest veya One-Class SVM tercih edin), veri ön işleme olmadan yüksek boyutlu ve seyrek olduğunda veya büyük, tam etiketli bir küme zaten mevcut olduğunda (tam denetimli bir sınıflandırıcı daha iyi performans gösterecektir) kullanmayın.
Güçlü yönler & sınırlılıklar
- Tam denetimsiz iForest'ten daha yüksek hassasiyet ve geri çağırma elde eder, puanları gerçek etiketli aykırı değerlere sabitleyerek.
- Yalnızca az sayıda etikete ihtiyaç duyar, bu da etiketlemenin pahalı olduğu durumlarda pratik hale getirir.
- iForest'in alt-doğrusal eğitim süresini ve düşük bellek ayak izini miras alır, büyük veri kümelerine ölçeklenir.
- Mesafe veya yoğunluk varsayımları olmadan yüksek boyutlu tablo verilerini işler.
- Keyfi eşik seçimini azaltır: etiketli alt küme, ilkeli bir kalibrasyon temeli sağlar.
- Etiketli aykırı değerler, etiketsiz verilerdeki aykırı değer dağılımını temsil etmiyorsa performans düşer.
- Etiket entegrasyonu için en uygun mekanizma uygulamalar arasında değişir; henüz evrensel olarak baskın tek bir varyant yoktur.
- Standart iForest gibi, veri merkezinin yakınında kümelenmiş aykırı değerlerle veya belirli çok modlu dağılımlarla mücadele edebilir.
- Değerlendirme yaparken etiket sızıntısından kaçınmak için dikkat gerektirir: etiketli küme test kümesiyle çakışmamalıdır.
SSS
Ne kadar etiketli aykırı değere ihtiyacım var?
Birkaç tane bile — bazen yalnızca 10-50 doğrulanmış aykırı değer — anlamlı bir kalibrasyon sağlayabilir. Ana gereksinim, bunların etiketsiz havuzdaki aykırı değer türlerini temsil etmeleridir. Aykırı değer alt türleri boyunca daha fazla etiket kapsamı genellikle daha büyük kazançlar sağlar.
Bu, standart Isolation Forest'tan nasıl farklıdır?
Standart Isolation Forest tamamen denetimsizdir ve herhangi bir alan geri bildirimi olmadan yalnızca yol uzunluğuna göre aykırı değerleri puanlar. Yarı denetimli Isolation Forest, puanları veya ağaç ağırlıklarını ayarlamak için küçük bir etiketli küme içerir, modeli alanınızda gerçekten ilgili olan aykırı değer örüntülerine doğru yönlendirir ve ilkeli eşik kalibrasyonunu etkinleştirir.
Etiketli normal örnekleri de aykırı değerler gibi dahil edebilir miyim?
Evet, ve genellikle faydalıdır. Etiketli normal değerler, modelin sınır durumlarını daha keskin bir şekilde ayırt etmesine yardımcı olur. Bazı varyantlar, etiketli kümeyi puanlama fonksiyonunu kalibre etmek için dengeli bir referans olarak ele alır, bu nedenle her iki sınıf da mevcut olduğunda dahil etmek karar sınırını iyileştirir.
Modeli değerlendirmek için çapraz doğrulama kullanmalı mıyım?
Evet, ancak dikkatli bir şekilde. Etiket sızıntısını önlemek için etiketli alt küme test kümesinden hariç tutulmalı veya uygun şekilde katmanlandırılmalıdır. Etiketli kısım üzerinde katmanlı bir eğitim/test bölümü, eğitim için tam etiketsiz havuzla birleştirildiğinde standart değerlendirme kurulumudur.
Etiketli aykırı değerlerim temsilci değilse ne olur?
Etiketli aykırı değerler gerçek aykırı değer dağılımının yalnızca dar bir dilimini kapsıyorsa, etiket güdümlü ayarlama ters tepebilir. Bu durumda, model hiç gösterilmediği yeni aykırı değer türlerini kaçırabilir. Üretimde dağılımsal kaymayı izlemenin yanı sıra denetimsiz aykırı değer puanlaması ile yarı denetimli tespiti tamamlamak tavsiye edilir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Isolation Forest for Anomaly Detection. ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-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
- Yerel Aykırı Değer Faktörü (LOF)Makine öğrenmesi↔ karşılaştır
- Tek Sınıf SVMMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Yarı denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır