9、传统机器学习算法中的异常检测：隔离森林与单类支持向量机

传统机器学习算法中的异常检测：隔离森林与单类支持向量机

1. 隔离森林算法

隔离森林（Isolation Forest）是一种用于异常检测的传统机器学习算法。它的核心思想是通过随机分割数据点，异常点通常会更快地被隔离出来，因为它们在数据空间中相对孤立。

1.1 数据准备

首先，我们需要将原始训练集划分为训练集、验证集和测试集。以下是创建验证集的示意图：

并且可以使用代码打印出所有划分后数据的形状：

# 代码用于打印所有划分后数据的形状
# 假设已经完成数据划分，分别为 train, val, test
print("Train shape:", train.shape)
print("Validation shape:", val.shape)
print("Test shape:", test.shape)

1.2 模型训练与初始评估

使用默认参数实例化一个隔离森林模型：

from sklearn.ensemble import IsolationForest

# 实例化隔离森林模型
model = IsolationForest()

训练模型并预测异常