Robust Isolation Forest
Robust Isolation Forest розширює класичний детектор аномалій Isolation Forest стратегіями, що зменшують чутливість до забруднення даних, ефектів маскування та упереджених випадкових розбивань. Інтегруючи механізми стійкості — такі як покращене субсемплювання, перезважування підозрілих областей або коригування упередженості при розбитті — він досягає більш надійних оцінок аномалій, коли самі навчальні дані містять нетривіальну частку аномалій або коли специфічні розподіли ознак призводять до того, що стандартний iForest генерує ненадійні довжини шляхів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/uk/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.
- Автокодувальник для виявлення аномалійМашинне навчання↔ compare
- Ізоляційний лісМашинне навчання↔ compare
- One-class SVMМашинне навчання↔ compare
- Надійна автокодувальна детекція аномалійМашинне навчання↔ compare
- Robust One-Class SVMМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →