608175_es-ES

liliconcom

Bosque de aislamiento y árboles de aislamientoIsolation Forest se ha convertido posiblemente en uno de los detectores de anomalías más populares en los últimos años debido a su efectividad general en diferentes puntos de referencia y su gran escalabilidad. Es computacionalmente eficiente y ha demostrado ser muy efectivo en la detección de anomalías.

El algoritmo aísla las observaciones seleccionando aleatoriamente una característica y luego seleccionando aleatoriamente un valor dividido entre los valores máximo y mínimo de la característica seleccionada. Por lo tanto, la implementación es la misma que la de los árboles de partición y los árboles de arranque con la diferencia de que la función de destino debe ser uniforme (tratando de dividir las variables con un valor Y constante).

Sin embargo, si intenta esto en JMP, no funciona.

Al incluir Isolation Forest en JMP, similar a la evaluación de predictores, los usuarios tendrían acceso a una poderosa herramienta para detectar anomalías en sus datos. Esto podría ayudarlos a identificar patrones o comportamientos inusuales que pueden justificar una mayor investigación.Análisis y modelado de datos básicosModelado predictivo y aprendizaje automáticoEstadísticas y Analítica