Isolation Forest Mạnh mẽ
Isolation Forest Mạnh mẽ (Robust Isolation Forest) mở rộng bộ phát hiện bất thường Isolation Forest cổ điển bằng các chiến lược giảm độ nhạy với việc dữ liệu bị nhiễu, hiệu ứng che khuất và các phép chia ngẫu nhiên thiên vị. Bằng cách tích hợp các cơ chế mạnh mẽ — như lấy mẫu con cải tiến, gán trọng số lại cho các vùng đáng ngờ, hoặc chia tách có hiệu chỉnh thiên vị — nó đạt được điểm bất thường đáng tin cậy hơn khi chính dữ liệu huấn luyện chứa một tỷ lệ bất thường đáng kể hoặc khi các phân phối đặc trưng cụ thể khiến iForest tiêu chuẩn tạo ra các độ dài đường đi không đáng tin cậy.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Robust Isolation Forest (Anomaly Detection with Robustness to Noise and Contamination). ScholarGate. https://scholargate.app/vi/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.
- Phát hiện bất thường bằng AutoencoderHọc máy↔ compare
- Isolation ForestHọc máy↔ compare
- One-Class SVMHọc máy↔ compare
- Phát hiện bất thường bằng Autoencoder Mạnh mẽHọc máy↔ compare
- One-Class SVM Mạnh mẽHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →