tag sklearn

Isolation Forest (İzolasyon Ormanı) (İzolasyon Ormanı)

Bu sayfada sklearn (Isolation Forest (İzolasyon Ormanı) (İzolasyon Ormanı)) etiketi ile işaretlenmiş 1 yapay zeka kavramını bulabilirsiniz.

Isolation Forest (İzolasyon Ormanı), aykırı değerleri (anomalileri) tespit etmek amacıyla geliştirilmiş, denetimsiz öğrenmeye dayalı bir makine öğrenimi algoritmasıdır. Fei Tony Liu, Kai Ming Ting ve Zhi-Hua Zhou tarafından 2008 yılında ICDM (IEEE Uluslararası Veri Madenciliği Konferansı) konferansında sunulan bu yöntem, geleneksel yaklaşımların aksine normal veri noktalarını modelleme yerine doğrudan aykırı değerleri izole etme ilkesine dayanır. Algoritmanın çalışma mantığı şudur: Aykırı değerler, veri dağılımının yoğun bölgelerinden uzak ve sayıca az olduğundan rastgele seçilen özellik ve bölme değerleriyle inşa edilen ikili karar ağaçlarında (izolasyon ağaçları) çok daha az bölmeyle izole edilir. Normal veri noktaları ise birbirinden ayrılmak için çok sayıda bölme gerektirdiğinden ağacın derinliklerinde kalır. Bir veri noktasının kökten yaprağa kadar olan ortalama yol uzunluğu, o noktanın anomali skoru olarak kullanılır; kısa yol uzunluğu yüksek aykırılığa işaret eder. Yüzlerce izolasyon ağacından oluşan orman oluşturulurken her ağaç, verinin rastgele bir alt örnekleminden bağımsız olarak eğitilir. Bu yaklaşım, O(n log n) zaman karmaşıklığıyla Yerel Aykırı Faktör (LOF) gibi mesafeye dayalı yöntemlerin O(n²) karmaşıklığına kıyasla çok daha verimlidir; özellikle yüksek boyutlu ve büyük veri setlerinde belirgin bir performans avantajı sunar. Başlıca hiperparametreler: n_estimators (izolasyon ağacı sayısı, varsayılan 100), max_samples (her ağaç için örneklenen veri sayısı) ve contamination (beklenen anomali oranı, 0.0-0.5 arası). Python scikit-learn kütüphanesinde sklearn.ensemble.IsolationForest sınıfı olarak kullanılabilir; fit_predict() yöntemi normal veri noktaları için +1, aykırı değerler için −1 döndürür. Uygulama alanları arasında kredi kartı dolandırıcılığı tespiti, ağ saldırısı izleme, üretim hattı kalite kontrolü, IoT sensör anormalliklerinin belirlenmesi ve tıbbi teşhiste anormal bulgu tespiti sayılabilir. 2019 yılında Hariri ve ekibinin geliştirdiği Extended Isolation Forest ise eksen-paralel bölme kısıtını kaldırarak karmaşık veri dağılımlarındaki anomali algılama doğruluğunu iyileştirmiştir. Düşük bellek tüketimi, az sayıda hiperparametre ve yüksek ölçeklenebilirlik özellikleriyle büyük veri ortamlarında da tercih edilen bir anomali tespiti çözümüdür.

code_blocks

Isolation Forest (İzolasyon Ormanı) (İzolasyon Ormanı)

Isolation Forest (İzolasyon Ormanı), aykırı değerleri (anomalileri) tespit etmek amacıyla geliştirilmiş, denetimsiz öğrenmeye dayalı bir makine öğrenimi algoritmasıdır. Fei Tony Liu, Kai Ming Ting ve Zhi-Hua Zhou tarafından 2008 yılında ICDM (IEEE Uluslararası Veri Madenciliği Konferansı) konferansında sunulan bu yöntem, geleneksel yaklaşımların aksine normal veri noktalarını modelleme yerine doğrudan aykırı değerleri izole etme ilkesine dayanır. Algoritmanın çalışma mantığı şudur: Aykırı değerler, veri dağılımının yoğun bölgelerinden uzak ve sayıca az olduğundan rastgele seçilen özellik ve bölme değerleriyle inşa edilen ikili karar ağaçlarında (izolasyon ağaçları) çok daha az bölmeyle izole edilir. Normal veri noktaları ise birbirinden ayrılmak için çok sayıda bölme gerektirdiğinden ağacın derinliklerinde kalır. Bir veri noktasının kökten yaprağa kadar olan ortalama yol uzunluğu, o noktanın anomali skoru olarak kullanılır; kısa yol uzunluğu yüksek aykırılığa işaret eder. Yüzlerce izolasyon ağacından oluşan orman oluşturulurken her ağaç, verinin rastgele bir alt örnekleminden bağımsız olarak eğitilir. Bu yaklaşım, O(n log n) zaman karmaşıklığıyla Yerel Aykırı Faktör (LOF) gibi mesafeye dayalı yöntemlerin O(n²) karmaşıklığına kıyasla çok daha verimlidir; özellikle yüksek boyutlu ve büyük veri setlerinde belirgin bir performans avantajı sunar. Başlıca hiperparametreler: n_estimators (izolasyon ağacı sayısı, varsayılan 100), max_samples (her ağaç için örneklenen veri sayısı) ve contamination (beklenen anomali oranı, 0.0-0.5 arası). Python scikit-learn kütüphanesinde sklearn.ensemble.IsolationForest sınıfı olarak kullanılabilir; fit_predict() yöntemi normal veri noktaları için +1, aykırı değerler için −1 döndürür. Uygulama alanları arasında kredi kartı dolandırıcılığı tespiti, ağ saldırısı izleme, üretim hattı kalite kontrolü, IoT sensör anormalliklerinin belirlenmesi ve tıbbi teşhiste anormal bulgu tespiti sayılabilir. 2019 yılında Hariri ve ekibinin geliştirdiği Extended Isolation Forest ise eksen-paralel bölme kısıtını kaldırarak karmaşık veri dağılımlarındaki anomali algılama doğruluğunu iyileştirmiştir. Düşük bellek tüketimi, az sayıda hiperparametre ve yüksek ölçeklenebilirlik özellikleriyle büyük veri ortamlarında da tercih edilen bir anomali tespiti çözümüdür.

arrow_forward