Zgadzam się
Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.
Anomaly detection in data sets is one of the most
important challenges for modern analysts and data administra-
tors. It is usually based on algorithms that use raw data. In
this study, we analyze the possibilities of improving the well-
known Isolation Forest algorithm based on binary search trees
for data preprocessing using the grouping of both attributes first,
and then records within attribute groups. Attribute clustering is
based on hierarchical grouping, while record grouping uses K-
Means and Fuzzy C-Means. To describe the relationships between
records, data membership functions are also used, built on the
basis of record distances from centroids. This approach gives
a new look at the possibilities of the Isolation Forest method
and leads to a significant improvement in the results for selected
public databases.
