Wat is Isolation Forest en waarom is het snel?

Isolation Forest is een algoritme voor het detecteren van anomalieën, gebaseerd op het idee om objecten te isoleren. Het bouwt meerdere willekeurige bomen (isolatiebomen), waarbij elke knoop de gegevens splitst op basis van een willekeurig kenmerk en een willekeurige drempel. Anomale objecten zijn gemakkelijker te isoleren, waardoor ze zich op een kleinere diepte in de bomen bevinden.

Waarom het snel is:

• Gebruikt willekeurige splitsingen, wat de computationele complexiteit vermindert.
• Vereist geen berekeningen van dichtheden of afstanden tussen punten, zoals bij klassieke methoden.
• Schaalbaar naar grote datasets dankzij de eenvoud van het bouwen van de bomen.

Voorbeeld van gebruik in Python met de scikit-learn bibliotheek:

from sklearn.ensemble import IsolationForest

X = [[-1.1], [0.3], [0.5], [100]]  # Voorbeeldgegevens
clf = IsolationForest(random_state=42)
clf.fit(X)
pred = clf.predict([[0], [100]])  # 1 — normaal, -1 — anomalie
print(pred)