Sklearn 机器学习 异常值检测 孤立深林
💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖
本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】
Sklearn 机器学习 异常值检测——孤立森林（Isolation Forest）实战指南
在机器学习和数据分析中，异常值检测（Outlier Detection） 是数据预处理和异常监控的重要环节。
本文将带你从理论到实践，全面掌握 Sklearn 中的孤立森林（Isolation Forest）算法，并结合代码示例完成一个完整案例。
📌 一、孤立森林算法简介
孤立森林（Isolation Forest，简称 iForest）是一种基于树模型的异常检测算法，它的核心思想是：
- 异常值容易被孤立：在随机划分数据特征空间时，异常值通常需要较少的分割次数即可被隔离。
- 正常值不易被孤立：正常数据点通常分布在密集区域，需要更多分割次数才能隔离。
- 平均路径长度与异常分数的关系：孤立森林会构建多棵随机决策树（孤立树），并计算每个样本在所有树中的平均路径长度。路径越短，说明该点越容易被隔离，其异常分数就越高（即越可能是异常值）。
1. 工作原理
- 随机选择一个特征。
- 在该特征的最大值与最小值之间，随机选择一个分割值。
- 将数据分割成两部分并递归执行。
- 树的深度越小，说明该点越容易被孤立。
2. 优势
- 适合高维数据集
- 时间复杂度低（近似线性）
- 对数据分布没有严格假设
- 无需密度估计，也不需要平衡正负样本（异常检测中异常样本通常极少）
- 与基于密度的算法（如 DBSCAN）不同，不依赖距离或密度阈值，适用性更广
🛠 二、Sklearn 中的孤立森林实现
在 Scikit-learn 中，孤立森林由 sklearn.ensemble.IsolationForest 提供，常用参数包括：
| 参数名 | 说明 |
|---|---|
n_estimators | 森林中树的数量，越多越稳定，但计算成本增加 |
max_samples | 每棵树训练时的样本数，可为整数或比例（0-1 之间），默认值为 "auto"，实际取 min(256, n_samples) |
contamination | 异常值比例（如 0.05 表示 5%），用于计算异常判定阈值 |
max_features | 每棵树使用的特征数，默认 1.0（所有特征），高维数据中可设为 0.8~0.9 以减少 |