Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Hutan potong acak (RCF) adalah jenis khusus dari algoritma hutan acak (RF), teknik yang banyak digunakan dan berhasil dalam pembelajaran mesin. Dibutuhkan satu set titik data acak, memotongnya ke jumlah titik yang sama, dan kemudian membangun kumpulan model. Sebaliknya, model sesuai dengan pohon keputusan—demikian nama hutan. Karena tidak RFs dapat dengan mudah diperbarui secara bertahap, RCFs ditemukan dengan variabel dalam konstruksi pohon yang dirancang untuk memungkinkan pembaruan tambahan.
Sebagai algoritma tanpa pengawasan, RCF menggunakan analisis cluster untuk mendeteksi lonjakan data deret waktu, jeda dalam periodisitas atau musiman, dan pengecualian titik data. Hutan tebang acak dapat berfungsi sebagai sinopsis atau sketsa aliran data dinamis (atau urutan angka yang diindeks waktu). Jawaban atas pertanyaan kami tentang aliran keluar dari sinopsis itu. Karakteristik berikut membahas aliran dan bagaimana kami membuat koneksi ke deteksi dan peramalan anomali:
-
Algoritma streaming adalah algoritma online dengan jejak memori kecil. Algoritma online membuat keputusan tentang titik input yang diindeks oleh waktu t sebelum melihat titik (t+1) - st. Memori kecil memungkinkan algoritma gesit yang dapat menghasilkan jawaban dengan latensi rendah dan memungkinkan pengguna untuk berinteraksi dengan data.
-
Menghormati pemesanan yang diberlakukan oleh waktu, seperti dalam algoritma online, diperlukan dalam deteksi dan peramalan anomali. Jika kita sudah tahu apa yang akan terjadi lusa, maka memprediksi apa yang terjadi besok bukanlah perkiraan—itu hanya menginterpolasi nilai hilang yang tidak diketahui. Demikian pula, produk baru yang diperkenalkan hari ini bisa menjadi anomali, tetapi tidak selalu menjadi anomali pada akhir kuartal berikutnya.
