待验证50% 置信事实精确时间

Isolation Forest是一种基于集成学习的无监督异常检测算法，核心直觉是异常点在特征空间中更孤立，通过随机分割树更容易被隔离

1

来源数

50%

置信度

长期有效

时效性

2026/8/30

首次发现

来源

绿色科技ML项目选型：能耗预测、优化与异常检测深度对比

涉及实体

Isolation Forestconcept

相关事实

待验证随机森林通过bagging方式降低方差、提升泛化能力，是集成学习的经典代表70% 相似待验证决策树的分裂准则（信息增益、基尼不纯度、均方误差）本质上是排序统计量的函数，只关心阈值两侧的类别比例而非样本间距离57% 相似待验证Barnes-Hut 优化通过空间八叉树将远距离节点群近似为单一质心，将计算复杂度从 O(N²) 降低到 O(N log N)56% 相似待验证深度学习中的随机种子控制权重初始化、数据加载批次打乱顺序、Dropout神经元随机失活以及优化器中的随机梯度估计等多个随机性来源56% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/822498

API

curl https://kongchang.com/api/v1/knowledge/claims/822498

MCP

get_claim(id=822498)