Skip to content

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)

Anomaly method comparison

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。