Foresta di isolamento

Isolation Forest utilizza partizioni casuali anziché modellare una distribuzione normale o stimare un confine attorno a ogni inlier. Un albero sceglie una caratteristica e un valore suddiviso in modo casuale, partizionando ricorsivamente i dati. I punti insoliti rispetto alla popolazione campionata spesso cadono rapidamente in piccole partizioni e quindi hanno lunghezze di percorso più brevi dalla radice. L'algoritmo calcola la media della lunghezza del percorso su molti alberi e la converte in punteggi di anomalia. I percorsi più brevi corrispondono a prove di anomalia più forti nella convenzione di punteggio del metodo. L'intuizione è che isolare un punto raro e distintivo richiede meno tagli casuali rispetto a isolare un punto circondato da molte osservazioni simili. In un ipotetico set di dati di transazioni, una combinazione insolita di importo e tempistica potrebbe essere separata in anticipo. Tuttavia, la rarità non è sinonimo di frode, errore o danno. Un segmento di clientela raro e valido può anche essere isolato rapidamente, mentre un'anomalia contestuale può apparire ordinaria a livello globale. La contaminazione viene comunemente utilizzata per impostare una frazione prevista di valori anomali per le previsioni di soglia. Influisce sul modo in cui i punteggi vengono convertiti in etichette, non sulla stima che la frazione specificata sia oggettivamente anomala. Sceglierlo senza considerare la capacità di revisione e i costi degli errori può inondare gli investigatori o perdere casi importanti. Per un'impostazione senza etichetta, i team possono rivedere le distribuzioni dei punteggi e utilizzare soglie informate sul dominio. Quando esistono etichette, valutare i compromessi con il richiamo della precisione su esempi rappresentativi. Isolation Forest può essere efficiente su set di dati di grandi dimensioni e gestire più funzionalità, ma le prestazioni dipendono dal sottocampionamento, dal conteggio degli alberi, dalla rappresentazione delle funzionalità e dai seed casuali. La scala numerica spesso conta meno rispetto ai metodi basati sulla distanza, tuttavia le trasformazioni e la codifica categoriale incidono ancora sulle suddivisioni casuali. Controllare se i gruppi con un comportamento normale distinto sono erroneamente contrassegnati come insoliti. Utilizzare spiegazioni e revisione umana per decisioni consequenziali; un punteggio classifica il comportamento di isolamento nell'insieme adattato e non è una probabilità di rischio causale o calibrata.