孤立森林：超越树深度
机器学习
2021-11-24 v1 机器学习
摘要
用于异常检测的孤立森林算法利用了一个简单而有效的观察：如果取一些多变量数据并在特征空间上递归地进行均匀随机切割，相比于常规观测，异常值会更少这样的随机切割就被单独留在一个给定子空间中。原始思想提出了一种基于孤立所需的树深度（随机切割次数）的异常分数，但这里的实验表明，利用所取特征空间的大小以及分配给它的点数信息，可在许多情况下带来改进结果，且无需对树结构做任何修改，尤其在存在类别型特征时。
引用
@article{arxiv.2111.11639,
title = {Isolation forests: looking beyond tree depth},
author = {David Cortes},
journal= {arXiv preprint arXiv:2111.11639},
year = {2021}
}