Forêt d'isolement

Isolation Forest utilise des partitions aléatoires plutôt que de modéliser une distribution normale ou d'estimer une limite autour de chaque inlier. Un arbre choisit une caractéristique et une valeur divisée au hasard, partitionnant les données de manière récursive. Les points inhabituels par rapport à la population échantillonnée se répartissent souvent rapidement en petites partitions et ont donc des chemins plus courts à partir de la racine. L'algorithme fait la moyenne des longueurs de chemin sur de nombreux arbres et les convertit en scores d'anomalies. Des chemins plus courts correspondent à des preuves d'anomalies plus fortes dans la convention de notation de la méthode. L’intuition est que l’isolement d’un point rare et distinctif nécessite moins de coupes aléatoires que l’isolement d’un point entouré de nombreuses observations similaires. Dans un ensemble de données hypothétiques de transactions, une combinaison inhabituelle de montant et de calendrier pourrait être séparée précocement. Toutefois, rareté n’est pas synonyme de fraude, d’erreur ou de préjudice. Un segment de clientèle rare et valide peut également être isolé rapidement, tandis qu'une anomalie contextuelle peut paraître banale à l'échelle mondiale. La contamination est couramment utilisée pour définir une fraction attendue de valeurs aberrantes pour les prédictions de seuil. Cela influence la façon dont les scores sont convertis en étiquettes, et non une estimation selon laquelle la fraction spécifiée est objectivement anormale. Le choisir sans tenir compte de la capacité d’examen et des coûts d’erreur peut inonder les enquêteurs ou passer à côté d’affaires importantes. Pour un paramètre sans étiquette, les équipes peuvent examiner les distributions de scores et utiliser des seuils basés sur le domaine. Lorsque des étiquettes existent, évaluez les compromis précision-rappel sur des exemples représentatifs. Isolation Forest peut être efficace sur de grands ensembles de données et gérer plusieurs fonctionnalités, mais les performances dépendent du sous-échantillonnage, du nombre d'arbres, de la représentation des fonctionnalités et des graines aléatoires. L'échelle numérique importe souvent moins que dans les méthodes basées sur la distance, mais les transformations et le codage catégoriel affectent toujours les divisions aléatoires. Vérifiez si les groupes ayant un comportement normal distinct sont marqués par erreur comme inhabituels. Utiliser des explications et un examen humain pour les décisions conséquentes ; un score classe le comportement d’isolement dans l’ensemble ajusté et ne constitue pas une probabilité de risque causale ou calibrée.