- 用于异常值检测
孤立森林通过随机生成多棵二叉树（iTree）来孤立数据点。对于每个点，计算它在所有树中的路径长度平均值，并通过归一化得到异常分数（接近1表示异常）。
你的理解基本正确，但可以稍微再精炼一下细节。我帮你梳理一下 孤立森林（Isolation Forest, iForest） 的核心思想和步骤：
核心思想
- 异常点（离群点）更容易被孤立：因为它们往往稀疏、分布在边缘区域，用随机切分几次就能被隔离开。
算法步骤
-
生成孤立树（Isolation Tree, iTree）
-
随机选择一个特征；
-
在该特征的取值范围内随机选择一个切分点；
-
递归分割，直到：
- 每个点被单独隔离，或者
- 树达到预设的最大高度。
-
这样生成一棵二叉树。
-
-
构建森林（Isolation Forest）
- 重复上述过程，生成多棵孤立树。
-
计算样本的平均路径长度
- 对于一个点 ，看它在森林中每棵树的路径长度（即从根节点到达叶子节点的深度）。
- 取平均值，得到该点的平均路径长度。
-
异常分数 (Anomaly Score)
- 路径越短，说明点越容易被孤立 → 异常可能性越大；
- 路径越长，说明点位于密集区域 → 更可能是正常点。
适用类型：