IsolationForest是一种适合高维数据集的异常值检测算法。 核心思想 通过随机切分数据集，异常点应该是容易被隔离的。 算法简介 随机选择一个特征，再在该特征下最大与最小值间随机选择一个值作为切分点，递归切分数据集，直到每个样本点被隔开，从而构建一颗类似CART分类树的随机树。重复构建多颗随机树。从根节点到叶节点的路径越长，代表该点越难被隔离，即该点越不可能是异常点。计算每个样本点

孤立森林(IsolationForest)异常检测 IsolationForest[6]算法它是一种集成算法(类似于随机森林)主要用于挖掘异常(Anomaly)数据，或者说离群点挖掘，总之是在一大堆数据中，找出与其它数据的规律不太符合的数据。该算法不采样任何基于聚类或距离的方法，因此他和那些基于距离的的异常值检测算法有着根本上的不同，孤立森林认定异常值的原则是异常值是少数的和不同的数据。它通常用于

如何有效地识别异常数据点？ 在日常工作和生活中，经常会遇到需要从大量数据中找出异常或者“不一样”的数据点的情况。比如在金融领域，怎样从数以百万计的交易记录中准确地找出可疑的欺诈交易？又或者在电商平台，如何从海量的商品评论中找出那些刷好评或刷差评的异常数据？有没有一种智能、高效的方式来解决这类问题呢？ 考虑一个电商平台，需要从大量的用户评论中找出刷单行为（即刷好评或刷差评）。传统的方式可能需要人