已验证65% 置信事实精确时间

Isolation Forest是一种基于集成学习的无监督异常检测算法，核心直觉是异常点在特征空间中更孤立，通过随机分割树更容易被隔离

3

来源数

65%

置信度

长期有效

时效性

2026/8/30

首次发现

来源

绿色科技ML项目选型：能耗预测、优化与异常检测深度对比

涉及实体

Isolation Forestconcept

相关事实

待验证随机森林通过bagging方式降低方差、提升泛化能力，是集成学习的经典代表70% 相似待验证LangSmith展示智能体运行的完整执行树并提供人工评审的标注队列；在LangChain生态之外深度会下降，按座定价累积起来不便宜。61% 相似待验证决策树桩（Decision Stump）是深度为1的决策树，仅对一个特征设置一个阈值将样本一分为二，是AdaBoost中最常见的弱学习器形式58% 相似待验证野外基准测试指的是在非受控环境下采集或生成的深度伪造数据集，其特点是光照多变、背景杂乱、说话人姿态自由、摄像机可能运动，且音频常伴有噪声和混响。57% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/822498

API

curl https://kongchang.com/api/v1/knowledge/claims/822498

MCP

get_claim(id=822498)