我使用了一个简单的IsolationForest算法来检测给定数据集X的异常值，该数据集包含20K个样本和16个特征，我运行了以下代码：

train_X, tesy_X, train_y, test_y = train_test_split(X, y, train_size=.8)clf = IsolationForest()clf.fit(X)   # 注意我在拟合时使用了整个数据集X！！print (clf.predict(X))

我得到的结果是：

[ 1 1 1 -1 ... 1 1 1 -1 1]

这个问题是：在拟合IsolationForest时使用整个数据集X还是仅使用train_X，哪个在逻辑上是正确的？

回答：

是的，最终在整个数据集上进行训练在逻辑上是正确的。

考虑到这一点，你可以测量测试集的性能与训练集的性能进行比较。这可以告诉你测试集是否与你的训练集来自相似的分布。

如果测试集与训练集相比得分异常，那么你可以期望未来的数据也会类似。在这种情况下，我希望有更多的数据来获得对“正常”状态的更完整的视图。

如果测试集的得分与训练集相似，我会更放心地在所有数据上训练最终的Isolation Forest模型。

或许你可以使用sklearn的TimeSeriesSplit交叉验证方法来感知对于你的问题需要多少数据才足够？

由于这是异常检测器的未标记数据，定义“正常”时，数据越多越好。