孤立森林（Isolation Forest,IF）简介

欢迎大家来到IT世界,在知识的湖畔探索吧!

目前的异常值检测方法非常多，主要分为基于模型、基于距离、基于密度三大类。

孤立森林是刘飞等人提出的一个基于树的一分类算法，它可以通过学习一种样本的分布情况、来来将这种样本和其他种类的样本区分开来。

孤立森林是由N个树构成的。每棵树的的学习过程非常随机：它会随机抽取特征、随机选取分割值来建立决策树，从而将每一个样本分到一个独立的子节点上（取值相同的样本视为同一个样本）。这样我们就得到了N个（基本）不相同的数。从超空间的角度看，这样就是不断地用随机选取的超平面切分样本点，直到所有的样本点都被这些超平面“孤立”起来，即与其他样本点分隔开了。

然后，我们可以看那些点用了较少的超平面就可以孤立出来——特别容易孤立出来的点。一般距离密度较高的地方比较远，所处位置的样本点密度较小，因而也更容易被孤立。因此，我们把非常容易被“孤立”的那些点判定为异常值就可以完成任务了。

如何度量一个样本点被“孤立”的容易程度呢？刘飞查询前面建立的决策树，找到这个样本所处的叶子结点的高度（与根节点的距离），一共是N和高度，求到的均值，就是这个容易程度了。算法的实现里，叶子结点的高度被归一化了，一般判定高度小于0.1的叶子结点对应的样本就是异常点。

为了避免算法无限制的训练下去、直到真的把所有点都孤立起来，孤立森林会设置一个停止分割样本点的条件，即树有一个高度限制。这样做是有理由的：需要切分很多次才能被孤立的样本点，所处的位置密度必然很高，这个点是异常点的概率很低。

孤立森林的特点是计算量小、天生可以分布式训练和计算，非常适合海量数据的场景（如果数据的维度特别高，孤立森林的规模会过于庞大，就没有了计算开销较小的优势）。

影响孤立森林效果的几个主要参数：树的个数、contamination、每个数的训练样本数量。训练一个树的时候，孤立森林会从样本中随机抽取一定数量的样本——抽样的数量不宜过大，一般最大256个。研究表明，这个小样本集的容量超过256以后，模型的效果提升不大，有时候反而会降低模型的效果。当样本太多的时候，他们在高维空间中的分布会比较稠密，树会比较复杂，不利于离群点被区分出来。

注意：本文为李鹏宇(知乎个人主页zhihu.com/people/py-li-34原创作品，受到著作权相关法规的保护。如需引用、转载，请注明来源信息：（1）作者名，即“李鹏宇”；（2）原始网页链接，即当前页面地址。如有疑问，可发邮件至我的邮箱:。