608175_de-DE

liliconcom

Isolationswald und IsolationsbäumeIsolation Forest hat sich in den letzten Jahren aufgrund seiner allgemeinen Wirksamkeit über verschiedene Benchmarks hinweg und seiner starken Skalierbarkeit zu einem der wohl beliebtesten Anomalie-Detektoren entwickelt. Es ist recheneffizient und hat sich als sehr effektiv bei der Erkennung von Anomalien erwiesen.

Der Algorithmus isoliert Beobachtungen, indem er zufällig ein Merkmal auswählt und dann zufällig einen aufgeteilten Wert zwischen den Höchst- und Mindestwerten des ausgewählten Merkmals auswählt. Die Implementierung ist daher die gleiche wie bei Partitionsbäumen und Bootstrap-Bäumen mit dem Unterschied, dass die Zielfunktion einheitlich sein sollte (versucht, Variablen mit einem konstanten Y-Wert aufzuteilen).

Wenn Sie dies jedoch in JMP versuchen, funktioniert es nicht.

Durch die Einbeziehung von Isolation Forest in JMP, einem ähnlichen tu-Prädiktor-Screening, hätten Benutzer Zugriff auf ein leistungsstarkes Tool zur Erkennung von Anomalien in ihren Daten. Dies könnte ihnen helfen, ungewöhnliche Muster oder Verhaltensweisen zu identifizieren, die weitere Untersuchungen rechtfertigen könnten.Grundlegende Datenanalyse und ModellierungVorhersagemodellierung und maschinelles LernenStatistik und Analytik