先说重点
1、孤立森林是一种适用于连续数据的无监督异常检测方法
2、孤立森林,不再是描述正常的样本点(给出一个正常样本在特征空间中的区域,对于不在这个区域中的样本,视为异常),而是要孤立异常点。
3、根据‘高密度的簇是需要被切很多次才能被孤立,低密度的点被切分较少次就可以被孤立’的原理,最终算法比较路径长度的平均值即可捕获异常点。
4、对小数据集能取得更好的效果。样本数较多会降低孤立森林孤立异常点的能力,从而出现典型的swamping和masking问题。
细说原理
异常值的两个特点:异常数据只占很少量、异常数据特征值和正常数据差别很大。
孤立森林机制是近似随机森林的。下图直观地看出,正常点通常是密度很高的簇,需要被切很多次才能被孤立,但是那些密度很低的点很容易就可以被孤立。由于数的切割点是随机生成的,且直到树的孩子节点中只有一个数据(无法再继续切割) 或 孩子节点已到达限定高度时停止。故需计算各点的平均路径长度作为衡量标准(均值)。如右图看到异常点的平均路径长度小于正常点的路径长度。
isolation tree