【数据处理方法】孤立森林(Isolation Forest, iForest)

孤立森林(iForest)是一种专门用于进行异常值检测的算法，它是一种基于ensemble的方法，相对于基于密度或者距离的方法，如LOF、KNN等，iForest不需要计算距离和密度，因此，iForest具有线性的时间复杂度(O(n)),非常适合用于大数据中进行异常检测。此外，iForest是被设计出来专门用于进行异常检测的，而很多基于密度或距离的方法，进行异常检测只是它们附带的作用，因此就准确率来说，iForest也具有一定的优势。

一. iForest简介

        iForest最早由周志华团队提出，原文如下

Liu F T, Ting K M, Zhou Z H. Isolation forest[C]//2008 eighth ieee international conference on data mining. IEEE, 2008: 413-422.

在iForest中，异常点指的是“和其他点的模式相差很大的点”，而isolation，则是指“将这样的异常值从正常值中孤立出去”。

相对于其他方法，iForest有以下几个特点：

1.基于ensemble：iForest由iTree，即孤立树组成，运行时通过训练大量iTree，来组成iForest。

2.子采样(sub-sampling)： iForest中每棵iTree都是随机选择部分的样本，来建立Partial models，这样在节约时间成本的同时，还可以提高算法的准确率；同时，还通过训练大量iTree来保证算法性能收敛。

3.可分布式进行：由于是基于ensemble的方法，所以可部署在分布式系统上来加速运算。

因此，iForest具有以下优点：

1.可处理大数据：由于时间复杂度低，iForest可用于大数据量的异常检测，且无需太高的空间复杂度。

2.对高维数据适用：由于子采样和Partial models的使用，iForest可用于处理高维的数据，这是其他方法较难以运用的。

二. iForest思想

 iForest的核心思想就是，由于异常值的特征易于正常值，因此总是最容易被孤立出去。假如我们用一个随机超平面对数据空间进行切割，从而获得两个子空间（类似于切蛋糕），