01Overall Concept
ไอเดียหลัก — Isolation Forest สุ่ม feature และจุดตัดสร้างต้นไม้หลายต้น จุดที่โดดเดี่ยวมักถูกแยกด้วย path สั้น จึงได้ anomaly score โดยไม่ต้องประมาณความหนาแน่น
ลองนึกภาพว่า — เหมือนเล่นเกมถามคำถามสุ่ม จุดที่แปลกมากจะถูกระบุตัวได้ด้วยคำถามไม่กี่ข้อ
ตัวอย่างการนำไปใช้ — ตรวจธุรกรรมผิดปกติ เซนเซอร์เสีย และข้อมูลคุณภาพต่ำ
02อธิบายภาษาคนเข้าใจง่ายๆ
Isolation Forest เริ่มจากคำถามง่าย ๆ ว่า แยกจุดผิดปกติด้วยการสุ่มตัดเพียงไม่กี่ครั้ง วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนเล่นเกมถามคำถามสุ่ม จุดที่แปลกมากจะถูกระบุตัวได้ด้วยคำถามไม่กี่ข้อ ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
Isolation Forest สุ่ม feature และจุดตัดสร้างต้นไม้หลายต้น จุดที่โดดเดี่ยวมักถูกแยกด้วย path สั้น จึงได้ anomaly score โดยไม่ต้องประมาณความหนาแน่น พารามิเตอร์หลักใน Playground คือ สัดส่วนผิดปกติ เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ feature matrix ที่มีตัวอย่างปกติเป็นส่วนใหญ่ · ตัวอย่าง 60–150 แถว เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น ตรวจธุรกรรมผิดปกติ เซนเซอร์เสีย และข้อมูลคุณภาพต่ำ ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: anomaly score และ label inlier/outlier · Playground แสดงผลเมื่อปรับ สัดส่วนผิดปกติ พร้อมจำข้อจำกัดสำคัญว่า contamination กำหนดจำนวนที่ถูกแจ้งโดยตรง และ anomaly เชิงบริบทอาจไม่โดดเดี่ยวใน feature เดิม
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
feature matrix ที่มีตัวอย่างปกติเป็นส่วนใหญ่ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ contamination เพื่อกำหนด threshold จากสัดส่วน anomaly ที่คาด และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
สุ่มตัวอย่างและ feature ให้แต่ละต้นไม้ จากนั้น สุ่ม threshold เพื่อแยกข้อมูลซ้ำ ๆ Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
เฉลี่ย path length แล้วแปลงเป็น anomaly score ผลที่ได้คือ anomaly score และ label inlier/outlier ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ contamination ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า contamination กำหนดจำนวนที่ถูกแจ้งโดยตรง และ anomaly เชิงบริบทอาจไม่โดดเดี่ยวใน feature เดิม
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
contaminationrandom_statevalidationข้อมูลที่รับเข้ามา
feature matrix ที่มีตัวอย่างปกติเป็นส่วนใหญ่
feature matrix ที่มีตัวอย่างปกติเป็นส่วนใหญ่ · ตัวอย่าง 60–150 แถวพารามิเตอร์ที่ใช้
- contamination
- กำหนด threshold จากสัดส่วน anomaly ที่คาด
- random_state
- ตรึงการสุ่มเพื่อให้ทดลองซ้ำและเปรียบเทียบได้
- validation
- เก็บข้อมูลส่วนหนึ่งไว้ตรวจคุณภาพกับตัวอย่างที่ไม่ใช้ฝึก
ผลลัพธ์ที่ได้
anomaly score และ label inlier/outlier
anomaly score และ label inlier/outlier · Playground แสดงผลเมื่อปรับ สัดส่วนผิดปกติคำนวณทีละขั้น
- 01
สุ่มตัวอย่างและ feature ให้แต่ละต้นไม้
- 02
สุ่ม threshold เพื่อแยกข้อมูลซ้ำ ๆ
- 03
เฉลี่ย path length แล้วแปลงเป็น anomaly score
ควรรู้อีกนิด — contamination กำหนดจำนวนที่ถูกแจ้งโดยตรง และ anomaly เชิงบริบทอาจไม่โดดเดี่ยวใน feature เดิม
04Make it yours
# ติดตั้ง: pip install numpy scikit-learn# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("isolation-forest-sample.csv", delimiter=",", skip_header=1)from sklearn.preprocessing import StandardScalerfrom sklearn.ensemble import IsolationForestX = StandardScaler().fit_transform(data[:, :2])model = IsolationForest(contamination=0.08, random_state=42)labels = model.fit_predict(X)print("Inliers / outliers:", np.unique(labels, return_counts=True))print("Scores:", model.negative_outlier_factor_[:8] if hasattr(model, "negative_outlier_factor_") else model.decision_function(X[:8]))โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
สัดส่วนที่คาดว่าผิดปกติเปลี่ยน threshold อย่างไร?
จุดแดงถูกแยกด้วย path สั้นและอยู่นอกขอบเขตคะแนน
threshold เข้มขึ้นและมีจุดถูกแจ้งเป็น outlier มากขึ้น
ดูทั้งจุดที่จับได้และจุดปกติที่ถูกแจ้งเกินจำเป็น
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง