Isolation Forest

Εισαγωγή #

Οι ανωμαλίες είναι ευκολότερο να απομονωθούν από τα κανονικά σημεία. Ο Isolation Forest ποσοτικοποιεί αυτό υπολογίζοντας τον μέσο όρο του πόσο γρήγορα διαχωρίζονται τα δείγματα σε πολλά τυχαία δέντρα.

Αναλυτική Επεξήγηση #

1. Πώς λειτουργεί #

• Τυχαία υποδειγματοληψία των δεδομένων.
• Κατασκευή δέντρων απομόνωσης (Isolation Trees) με διαίρεση σε τυχαία επιλεγμένα χαρακτηριστικά και κατώφλια.
• Δείγματα με μικρότερο μέσο μήκος μονοπατιού απομονώνονται ευκολότερα, οπότε είναι πιο πιθανό να είναι ανωμαλίες.

Η βαθμολογία ανωμαλίας κανονικοποιείται χρησιμοποιώντας το αναμενόμενο μήκος μονοπατιού ενός τυχαίου δυαδικού δέντρου αναζήτησης, \(c(n)\), και το παρατηρούμενο μέσο μήκος μονοπατιού.

2. Παράδειγμα σε Python #

import numpy as np
import matplotlib.pyplot as plt
import japanize_matplotlib
from sklearn.ensemble import IsolationForest

rng = np.random.default_rng(0)
X_inliers = 0.3 * rng.normal(size=(200, 2))
X_anom = rng.uniform(low=-4, high=4, size=(20, 2))
X = np.vstack([X_inliers, X_anom])

model = IsolationForest(n_estimators=200, contamination=0.1, random_state=0)
model.fit(X)
scores = -model.score_samples(X)
labels = model.predict(X)  # -1 = anomaly

plt.figure(figsize=(6, 5))
plt.scatter(X[:, 0], X[:, 1], c=scores, cmap="magma", s=30)
plt.colorbar(label="anomaly score")
plt.title("Isolation Forest scores")
plt.tight_layout()
plt.show()

print("Detected anomalies:", np.sum(labels == -1))

3. Υπερπαράμετροι #

• n_estimators: Αριθμός δέντρων. Περισσότερα δέντρα δίνουν πιο σταθερά αποτελέσματα.
• max_samples: Δείγματα ανά δέντρο. Προεπιλογή min(256, n_samples).
• contamination: Εκτιμώμενο ποσοστό ανωμαλιών· χρησιμοποιείται για τον ορισμό του κατωφλίου.
• max_features: Χαρακτηριστικά που χρησιμοποιούνται σε κάθε διαίρεση.

4. Πλεονεκτήματα και μειονεκτήματα #

5. Σύνοψη #

• Ο Isolation Forest είναι ένας ανιχνευτής ανωμαλιών βασισμένος σε δέντρα που χρησιμοποιεί μικρά μονοπάτια απομόνωσης ως σήμα ανωμαλίας.
• Είναι εύκολος στη χρήση στο scikit-learn, ρυθμίζοντας κυρίως τον αριθμό δέντρων και δειγμάτων.
• Είναι κατάλληλος όταν χρειάζεται γρήγορο φιλτράρισμα υποψηφίων για αρχεία καταγραφής ή δεδομένα αισθητήρων.