isolation forest algorithm

Angol

Főnév

isolation forest algorithm (tsz. isolation forest algorithms)

(informatika) Isolation Forest (magyarul gyakran: elszigetelési erdő) egy anomáliadetektáló algoritmus, amelyet kifejezetten szokatlan vagy kiugró értékek (outlierek) azonosítására terveztek. A működése azon az elven alapul, hogy az anomáliák könnyebben elkülöníthetők a többi adattól, mint a normál pontok.

🌲 1. Alapötlet

Ahelyett, hogy a normális adatpontokat próbálná modellezni, az Isolation Forest a kiugró értékeket próbálja elszigetelni véletlenszerű döntések alapján.

Az anomáliák:

Ritkábban fordulnak elő
Távolabb vannak más pontoktól → Így kevesebb lépés kell az elszigetelésükhöz

🧠 2. Hogyan működik?

Több döntési fát (fák = “forest”) épít véletlenszerű részmintákból.
Minden fa építéséhez:
- Véletlenszerűen kiválaszt egy attribútumot
- Véletlenszerűen kiválaszt egy vágási értéket
- Az adatokat rekurzívan vágja, amíg az egyes pontokat külön-külön nem szigeteli el
Egy adatpont elszigetelési hossza az az útvonal, amin el kellett jutni ahhoz, hogy elválasszuk egy fában.
Az anomáliák:
- rövidebb átlagos útvonalon jutnak el a levélhez → könnyen elkülöníthetők

📏 3. Anomália pontszám (score)

Az algoritmus minden adatpontra kiszámít egy anomália pontszámot:

$s(x,n)=2^{-{\frac {E(h(x))}{c(n)}}}$

${\textstyle E(h(x))}$ : az adatpont várható elszigetelési mélysége (átlag a fákban)
${\textstyle c(n)}$ : normalizációs tényező, az átlagos várható útvonal hossza egy n elemű bináris fában

Értelmezés:

${\textstyle s(x)\approx 1}$ : nagyon valószínű, hogy anomália
${\textstyle s(x)<0.5}$ : normál adatpont
${\textstyle s(x)>0.5}$ : gyanús pont

📈 4. Előnyök

✅ Gyors és hatékony: lineáris futási idő, alacsony memóriaigény
✅ Nem igényel adatnormalizálást
✅ Nem feltételez eloszlást (ellentétben pl. a Gauss-modell alapú módszerekkel)
✅ Nagy dimenziós adatokon is jól működik

⚠️ 5. Hátrányok

❌ Érzékeny lehet adateloszlásra és ritka dimenziókra
❌ Nehéz lehet értelmezni a döntéseket (mint sok ensemble-algoritmus esetén)
❌ Paraméterérzékeny (pl. n_estimators, max_samples, contamination)

🧰 6. Használat Pythonban (scikit-learn)

from sklearn.ensemble import IsolationForest

# modell létrehozása
clf = IsolationForest(n_estimators=100, contamination=0.05, random_state=42)
clf.fit(X_train)

# predikció
y_pred = clf.predict(X_test)  # -1: anomália, 1: normális
scores = clf.decision_function(X_test)  # alacsonyabb = gyanúsabb

🔬 7. Alkalmazási területek

Csalásdetektálás (pénzügy, bank)
Hálózati behatolás észlelés
Gyártás: hibás termékek kiszűrése
Egészségügy: szokatlan biometrikus minták észlelése
Sensor data: hibás mérés, adatkimaradás észlelése

🧾 8. Összefoglalás

Az Isolation Forest:

Egy hatékony és eloszlásfüggetlen anomáliadetektáló algoritmus
Az elkülönítés gyorsaságát használja a kiugró pontok felismerésére
Széles körben alkalmazható, különösen nagy és komplex adathalmazokon

További információk

isolation forest algorithm - Szótár.net (en-hu)
isolation forest algorithm - Sztaki (en-hu)
isolation forest algorithm - Merriam–Webster
isolation forest algorithm - Cambridge
isolation forest algorithm - WordNet
isolation forest algorithm - Яндекс (en-ru)
isolation forest algorithm - Google (en-hu)
isolation forest algorithm - Wikidata
isolation forest algorithm - Wikipédia (angol)