608175_fr-FR

liliconcom

Forêt d'isolement et arbres d'isolementIsolation Forest est sans doute devenu l'un des détecteurs d'anomalies les plus populaires ces dernières années en raison de son efficacité générale sur différents points de référence et de sa forte évolutivité. Il est efficace sur le plan informatique et s'est avéré très efficace dans la détection d'anomalies.

L'algorithme isole les observations en sélectionnant aléatoirement une caractéristique, puis en sélectionnant aléatoirement une valeur de fractionnement entre les valeurs maximale et minimale de la caractéristique sélectionnée. La mise en œuvre est donc la même que celle des arbres de partition et des arbres de démarrage à la différence que la fonction cible doit être uniforme (en essayant de diviser des variables avec une valeur Y constante).

Pourtant, si vous essayez ceci dans JMP, cela ne fonctionne pas.

En incluant Isolation Forest dans JMP, un filtrage similaire à des prédicteurs, les utilisateurs auraient accès à un outil puissant pour détecter les anomalies dans leurs données. Cela pourrait les aider à identifier des modèles ou des comportements inhabituels qui pourraient justifier une enquête plus approfondie.Analyse et modélisation des données de baseModélisation prédictive et apprentissage automatiqueStatistiques et analyses