概念孤立森林 / iForest
Isolation Forest
无监督异常检测集成学习算法，通过随机选择特征和切分阈值构建多棵孤立树，利用路径长度衡量样本异常程度。适用于高维数据、无需标注标签、计算复杂度接近线性
核心事实
时间轴 (近 90 天)
10月16日
Isolation Forest 是一种专门用于无监督异常检测的集成学习算法，由 Liu 等人在 2008 年提出。
待验证50%
10月16日
在 AutoHeal AI 中，CPU、内存、磁盘 I/O 等指标被送入 Isolation Forest 输出异常分数，再交由 Gemma 结合日志给出可读的原因解释。
待验证50%
9月19日
基于机器学习的方法（如 Isolation Forest、LSTM 自编码器）能捕捉多指标间的复杂相关性异常
待验证50%
8月30日
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
已验证65%
全部知识事实 (5)
已验证
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
65%待验证Databox的AI能力使用异常检测（如Isolation Forest、LSTM神经网络）和时序预测技术来主动发现数据中的模式和异常
70%待验证Isolation Forest 是一种专门用于无监督异常检测的集成学习算法，由 Liu 等人在 2008 年提出。
50%待验证在 AutoHeal AI 中，CPU、内存、磁盘 I/O 等指标被送入 Isolation Forest 输出异常分数，再交由 Gemma 结合日志给出可读的原因解释。
50%待验证基于机器学习的方法（如 Isolation Forest、LSTM 自编码器）能捕捉多指标间的复杂相关性异常
50%