外觀
Machine Learning › 非監督式學習 › 異常偵測 › Isolation Forest
隔離森林 (Isolation Forest)
核心想法:異常點比正常點容易被隔離。反覆隨機挑一個特徵、在其範圍內隨機選切點,直到每個點都被單獨分開。遠離主體的點只需要很少次切分就會被隔離,所以平均路徑長度越短,異常分數越高。
| 觀測類型 | 平均路徑長度 |
|---|---|
| 在密集區域的正常點 | 長(要切很多次才能孤立) |
| 孤立的異常點 | 短 |
它不計算點與點之間的距離,所以比 KNN / LOF 快得多,也適合高維資料。
用法
python
from sklearn.ensemble import IsolationForest
iso = IsolationForest(n_estimators=200, # 樹數;越多分數越穩定
max_samples="auto", # 每棵樹抽樣 min(256, n) 筆
max_features=1.0, # 寬表格可降低
contamination="auto", # 或指定比例,如 0.01
random_state=42, n_jobs=-1)
iso.fit(X_train)
scores = -iso.score_samples(X_new) # 越大越異常(原始分數越負越異常)
labels = iso.predict(X_new) # 1 = 正常、-1 = 異常| 參數 | 作用 |
|---|---|
n_estimators | 樹數,100–300 通常足夠 |
max_samples | 每棵樹的樣本數;小樣本反而容易隔離異常(原論文建議 256) |
max_features | 每棵樹用的特徵比例 |
contamination | 只決定 predict 的閾值:score_samples 與排序完全不變,decision_function 只是整體平移 |
pyod 套件(
pyod.models.iforest.IForest)提供相同的演算法與統一介面(decision_scores_、labels_),方便比較多種偵測器;sklearn 版本已足夠日常使用。
優缺點
| 優點 | 缺點 |
|---|---|
| 快、可擴展到大資料 | 對局部異常(緊鄰密集群的點)不敏感 |
| 高維表格資料表現好 | 閾值仍是獨立的問題 |
| 自然處理多變量異常 | 特徵品質仍然重要;對縮放不像距離法那麼敏感,但不是完全不受影響 |
| 不需距離矩陣 | 資料組成改變時分數會跟著變 |
| — | 不適合本質上是時間序列的異常(需先處理趨勢、季節) |

緊鄰密集群的局部異常(圈起來的點):Isolation Forest 排第 18 名,LOF 排第 4 名。全域孤立的點兩者都抓得到。比較見 距離與密度方法。