{
  "id": "isolation-forest",
  "title": "孤立森林",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "孤立森林是一种无监督异常检测算法，通过随机树划分隔离观测样本的速度来识别异常样本。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "concept",
  "aliases": [
    "iForest",
    "孤立森林算法"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/isolation-forest/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/isolation-forest/",
      "json": "https://aiwiki.page/en/isolation-forest.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "孤立森林是一种用于异常检测的集成学习方法：如果一个观测样本更容易通过随机划分与数据集中的其他样本分离，就会获得更高的异常分数。该方法不估计概率密度，也不显式建模正常行为，而是构建多棵随机树，并衡量隔离每个样本所需的平均路径长度。由于构建这些树不需要带有异常标签的样本，因此它通常被用作一种无监督学习算法。"
    },
    {
      "heading": "起源与核心思想",
      "text": "孤立森林由刘飞（Fei Tony Liu）、丁启明（Kai Ming Ting）和周志华（Zhi-Hua Zhou）于 2008 年提出。其核心前提是，异常样本往往既相对稀少，又不同于普通样本。这类样本通常只需经过少数几次随机切分就能分离出来，而位于规模较大、分布密集的群体中的样本通常需要更多次切分。\n\n例如，假设一个数据集主要包含金额适中的交易，另有少数几笔金额特别大的交易。在交易金额上随机选择一个阈值，可能很快就能将某笔极端交易分离出来。相比之下，要隔离位于密集中心群体中的某一笔交易，通常需要进一步划分。\n\n这是一种统计启发式方法，而不是对异常的定义。罕见的样本未必是错误，有害或具有其他重要意义的事件也未必在统计上显得异常。\n\n虽然该方法使用树，但其目标不同于用于预测的决策树学习。它不会为了最大化标签纯度或降低监督预测损失而选择切分方式。它也不同于随机森林，后者的树通常用于学习预测目标变量。孤立树则有意采用随机划分，以衡量样本被分离的难易程度。"
    },
    {
      "heading": "孤立树的构建",
      "text": "设数据包含 \\(n\\) 个观测样本，每个样本由 \\(d\\) 个数值特征表示。一个孤立森林包含 \\(t\\) 棵树，通常每棵树分别使用一个大小为 \\(\\psi\\) 的随机子样本集构建。\n\n孤立树通过递归方式构建：\n\n- 选取一个观测样本的子样本集，通常采用无放回抽样。\n- 在当前节点上，随机选择一个特征。\n- 在该节点内各样本的这一特征的最小值与最大值之间，随机选择一个切分值。\n- 将特征值小于切分值的样本送入一个子节点，其余样本送入另一个子节点。\n- 在每个子节点内重复上述过程，直至满足停止条件。\n\n这一基本构建过程假定可以选出一个可用的、取值并非常数的特征。对于常数特征、完全相同的样本，或其他无法进行有效切分的情况，具体实现需要规定相应的处理规则。\n\n当一个分支仅包含一个样本，或达到高度上限时，通常就停止生长。常用的高度上限为\n\n\\[\\ell=\\left\\lceil \\log_2 \\psi \\right\\rceil.\\]\n\n在这一深度停止，可以避免继续耗费计算资源，去彻底分离那些已经需要较长路径才能到达的普通样本。\n\n最终得到的结构是一棵二叉树。每个内部节点存储一个特征及其阈值；每个终端节点记录仍留在其中的样本。对新样本评分时，会在每棵树中依照相应的分支判断沿树向下遍历。\n\n子采样为何重要\n\n子采样是原始方法的核心，而不仅仅是节省计算的捷径。较小的子样本集可以减轻一组异常样本相互掩盖的倾向，因为在单棵树中，这组异常样本同时出现的成员更少。\n\n不过，子样本集的大小也决定了模型能够表示的数据结构尺度。过小的子样本集可能遗漏罕见但正常的群体，或无法捕捉更细微的差别。更大的子样本集能让树接触到更多结构，但需要更多计算，也可能改变哪些样本看起来容易被隔离。"
    },
    {
      "heading": "路径长度与异常分数",
      "text": "对于观测样本 \\(x\\)，其路径长度是从树的根节点到其所在终端节点所经过的边数。路径越短，表明该样本越容易被隔离。\n\n如果树的生长提前停止，导致某个终端节点仍包含 \\(m>1\\) 个训练样本，通常会在已观测到的深度上，加上分离这些样本所需额外路径长度的估计值：\n\n\\[h(x)=e+c(m),\\]\n\n其中，\\(e\\) 是终端节点的深度。\n\n标准归一化采用在随机二叉搜索树中查找失败时的期望路径长度：\n\n\\[c(m)= \\begin{cases} 0, & m\\leq 1,\\\\[4pt] 2H_{m-1}-\\dfrac{2(m-1)}{m}, & m>1, \\end{cases}\\]\n\n其中，\\(H_k=\\sum_{i=1}^{k}1/i\\) 是第 \\(k\\) 个调和数。具体实现可以使用对数来近似计算调和数。\n\n对于大小为 \\(\\psi>1\\) 的子样本集，原始异常分数为\n\n\\[s(x,\\psi)=2^{-\\frac{\\mathbb{E}[h(x)]}{c(\\psi)}},\\]\n\n其中，\\(\\mathbb{E}[h(x)]\\) 表示整个森林中经调整的路径长度的平均值。\n\n该分数可作如下解读：\n\n- **越接近 1：**该样本经过相对较少的划分就被隔离。\n- **约为 0.5：**其平均路径长度接近归一化值 \\(c(\\psi)\\)。\n- **越接近 0：**其路径长度相对较长。\n\n这些值表达的是相对隔离程度，而不是经过校准的、某个样本属于异常的概率。尤其是，分数为 0.8 并不意味着发生欺诈、故障或错误的概率为 80%。\n\n软件库不一定采用这一确切的分数约定。有些库返回取负后的分数、经过平移的决策函数值，或二元预测结果。因此，分数朝哪个方向表示更异常，以及零值代表什么，都取决于所用接口。"
    },
    {
      "heading": "拟合、评分与阈值",
      "text": "孤立森林将两项任务分开处理：构建基于隔离程度的排序，以及确定异常判定阈值的位置。\n\n无标签拟合\n\n树使用训练数据构建，不需要异常标签。训练集可以同时包含普通样本和异常样本，前提是其结构仍使异常样本相对容易被隔离。\n\n同一个拟合好的森林既可以为训练样本评分，也可以为新样本评分。在新颖性检测场景中，训练数据旨在代表一个参考总体，新到来的样本则以该总体为参照进行评估。\n\n阈值选择\n\n连续分数不会自动决定哪些样本应被标记为异常。阈值可以根据选定的分数分位数、假定的异常比例，或在带标签样本上的表现来确定。\n\n一个通常称为 contamination（污染比例）的参数用于指定假定的离群点比例。在常见实现中，它决定的是分数截断阈值，而不是让树学习异常的样貌。其确切作用取决于具体实现。\n\n有标签可用时，可以使用验证集评估阈值，再用单独的测试集衡量各项选择确定后的性能。使用测试标签选择阈值会造成数据泄漏（机器学习）。\n\n由于异常样本通常很少，整体分类准确率可能具有误导性。视应用而定，精确率、召回率和平均精度往往能提供更有价值的信息。"
    },
    {
      "heading": "参数与计算特性",
      "text": "重要的超参数包括：\n\n参数 | 主要作用\n树的数量 \\(t\\) | 增加树的数量通常会使平均路径长度更加稳定，但也会增加计算和内存开销。\n子样本集大小 \\(\\psi\\) | 控制每棵树所表示的数据量，以及可检测结构的尺度。\n最大深度 | 限制树的生长，并影响终端节点的路径长度修正。\n特征子采样 | 在支持这一功能的实现中，限制每棵树可使用的特征。\n随机种子 | 控制随机子样本集和随机切分的可复现性。\n分数阈值或污染比例设置 | 将连续分数转换为异常标签。\n\n在标准假设下，构建森林的近似时间复杂度为\n\n\\[O(t\\psi\\log\\psi),\\]\n\n为 \\(n\\) 个样本评分的近似开销为\n\n\\[O(nt\\log\\psi).\\]\n\n这些表达式省略了特征处理开销和实现细节。不计数据集的存储，树结构的内存需求通常为 \\(O(t\\psi)\\)。\n\n使用固定大小的子样本集，使抽样后的树构建过程基本不受完整数据集大小的影响，但读取数据、抽取样本以及为所有样本评分仍会产生开销。各棵树可以独立构建和评估，因此该方法适合并行计算。"
    },
    {
      "heading": "特征表示与预处理",
      "text": "原始算法面向数值特征向量设计，其结果取决于这些向量的表示方式。\n\n缩放与变换\n\n与基于距离的方法不同，在理想化条件下，孤立森林对各个特征分别进行的正仿射变换具有不变性。如果对某个特征进行平移或乘以一个正常数，均匀采样的阈值也会相应变换，使划分的分布保持不变。因此，通常不必仅仅因为特征采用不同单位，就进行标准的特征缩放。\n\n这种不变性并不适用于任意变换。对数变换会改变均匀采样阈值相对于样本的落点，从而可能改变所得分数。旋转特征空间也会改变轴对齐树的行为。\n\n类别值与缺失值\n\n对于类别值，需要使用能够显式处理它们的实现，或采用合适的数值表示。任意赋予整数编码会引入顺序关系；独热编码则会改变维数以及特定属性被选中的概率。\n\n缺失值的处理同样取决于具体实现。插补、添加缺失指示变量或采用专门的切分规则，都可能改变模型将哪些情况视为异常。\n\n无关特征与冗余特征\n\n随机选择特征并不能消除无关信息。如果在高维数据集中，有信息量的特征只占很小一部分，许多切分就可能发生在无关变量上。重复或高度冗余的特征也会改变特定信息被选中的频率。因此，特征选择以及结合领域知识的特征工程，都可能显著影响异常排序。"
    },
    {
      "heading": "局限性与变体",
      "text": "几何结构与轴对齐\n\n标准孤立树每次只沿一个坐标进行切分，因此其划分与坐标轴对齐。这可能产生方向性伪影，并使结果对特征的方向敏感。如果一个样本的异常之处在于特征之间的关系，而各个特征本身都不极端，那么它可能很难被隔离。\n\n扩展孤立森林通过采用随机朝向的超平面，而不只使用轴对齐的阈值切分，来应对这一问题。这能减少某些几何伪影，但既不能消除对数据表示的依赖，也不能保证在每个数据集上都取得更好的结果。\n\n全局异常与局部异常\n\n孤立森林并不是一种显式比较局部密度的方法。当正常群体的密度或规模差异很大时，它可能表现不佳：一个规模小但正常的簇可能很快被隔离，而密集区域内的异常点却可能需要多次划分。\n\n基于局部邻域的方法针对的是另一种异常概念，因此可能产生明显不同的排序。\n\n成群出现的异常\n\n共同出现的异常样本可能形成一个看似正常群体的簇。这会产生掩蔽效应，即异常样本使彼此更难被检测到。反过来，异常群体附近的正常样本也可能被标记为异常，这种现象通常称为淹没效应。子采样可以缓解这些影响，但不能将其消除。\n\n数据变化与时间结构\n\n拟合好的森林表示的是构建时所用的数据。在发生分布偏移时，正常行为可能转移到旧模型认为异常的区域。\n\n标准的批处理孤立森林也不直接建模序列顺序、季节性或时间依赖关系。在时间序列应用中，必须通过特征表示这些性质，或由更完整的建模流程处理。流式变体则会随着样本到来，调整抽样方式或更新树。"
    },
    {
      "heading": "应用与解读",
      "text": "孤立森林用于识别异常交易、网络安全中的可疑网络活动、异常设备测量值，以及潜在的数据质量问题。其构建过程相对简单，拟合不需要标签，评分也易于扩展，因此是一种实用的通用异常排序方法。\n\n仅凭异常分数，既不能解释某个样本为何异常，也不能证明有必要采取干预措施。树路径描述了模型如何划分数据，但并不构成因果解释。解读时，可以考察短路径涉及的特征，将被标记的样本与相关同类样本进行比较，或使用可解释人工智能中的方法。这些解释仍然只是对模型行为的描述，而不是对背后成因的证明。"
    }
  ],
  "links": [
    "anomaly-detection",
    "ensemble-learning",
    "unsupervised-learning",
    "decision-tree-learning",
    "random-forest",
    "binary-tree",
    "binary-search-tree",
    "probability",
    "training-data",
    "validation-set",
    "test-set",
    "data-leakage",
    "average-precision",
    "hyperparameter",
    "time-complexity",
    "parallel-computing",
    "feature-scaling",
    "one-hot-encoding",
    "feature-selection",
    "feature-engineering",
    "distribution-shift",
    "cybersecurity",
    "data-quality",
    "explainable-artificial-intelligence"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}