孤立森林

Parent: ai_keywords

孤立森林 (Isolation Forest) 百科解释

核心定义

孤立森林是一种基于集成的无监督异常检测算法。其核心思想是：异常数据点具有“稀疏且远离高密度区域”的特性，更容易被随机划分的决策树“孤立”（即更短的路径被隔离）。通过构建多棵二叉树并计算样本在树中的平均路径长度，算法输出异常得分，得分越高越可能是异常点。

关键技术点

1. 递归随机划分机制
   每棵孤立树随机选择特征及其分割值，递归生成子空间，直至所有样本被隔离或达到树深度上限。异常点因空间稀疏性，通常在早期分支被分离。

2. 路径长度与异常得分
   样本在多棵树中路径长度的均值作为异常度量。经归一化后，得分接近1表示高度异常，接近0.5表示正常，低于0.5则可能为正常点。

3. 子采样与集成学习
   每次迭代仅随机抽取少量样本（默认256个）构建单棵树，避免全局建模的高开销，同时通过集成多棵树降低随机性误差，适应高维数据。

4. 线性时间复杂度
   每棵树生成复杂度为O(ψ log ψ)，整体算法接近线性，适合大规模连续或离散特征（如医学传感器时序数据）的在线检测。

医学/神经科学应用场景

背景：首都医科大学神经病学研究所关注脑卒中患者的脑电（EEG）与颅内压（ICP）等神经电生理信号的异常模式检测。

应用：利用孤立森林对脑卒中重症监护室（NICU）的多通道脑电信号进行实时异常检测。例如，采集患者连续24小时EEG数据，经短时傅里叶变换提取功率谱密度特征。孤立森林可无监督地识别出脑电背景活动的突发抑制（如低电压、爆发抑制波）或癫痫样放电（尖波、棘波）——这些模式在空间分布上稀疏且与正常节律差异显著，符合“易被孤立”特性。模型输出异常片段后，由临床医师复核，实现早期预警脑水肿恶化或非惊厥性癫痫发作，辅助重症监护决策。