我在尝试检测数据集中的异常值时，发现了sklearn的隔离森林。我无法理解如何使用它。我将训练数据拟合进去，它返回了一个包含-1和1值的向量。
有谁能向我解释它是如何工作的，并提供一个例子吗？
我如何知道这些异常值是“真正的”异常值？
如何调整参数？
这是我的代码：
clf = IsolationForest(max_samples=10000, random_state=10)clf.fit(x_train)y_pred_train = clf.predict(x_train)y_pred_test = clf.predict(x_test)[1 1 1 ..., -1 1 1]回答：
看起来你有很多问题，让我尽我所知，一一回答它们。
它是如何工作的？
它之所以有效，是因为任何数据集中异常值的本质是“少而不同”，这与典型的基于聚类或基于距离的算法大不相同。从最高层面来看，它的工作逻辑是，异常值与数据集中的“正常”点相比，需要更少的步骤来“隔离”。为此，IF所做的是：假设你有一个包含n个数据点的训练数据集X，每个数据点有m个特征。在训练过程中，IF为不同特征创建隔离树（二叉搜索树）。
在训练阶段，你有三个参数可以在训练阶段进行调整：
- 隔离树的数量（在sklearn_IsolationForest中为
n_estimators） - 样本数量（在sklearn_IsolationForest中为
max_samples） - 从X中抽取的用于训练每个基础估计器的特征数量（在sklearn_IF中为
max_features）。
max_samples是从原始数据集中随机挑选的样本数量，用于创建隔离树。
在测试阶段：
-
sklearn_IF 查找测试数据点在所有训练过的隔离树中的路径长度，并计算平均路径长度。路径长度越长，点越正常，反之亦然。
-
基于平均路径长度，它计算异常分数，sklearn_IF的decision_function可用于获取此分数。对于sklearn_IF，分数越低，样本越异常。
-
根据异常分数，你可以通过在sklearn_IF对象中设置适当的
contamination值来决定给定样本是否异常。contamination的默认值为0.1，你可以调整此值来决定阈值。数据集的污染程度，即数据集中异常值的比例。
调整参数
训练 -> n_estimators, max_samples, max_features。
测试 -> contamination
