{"id":181073,"date":"2023-07-21T19:28:27","date_gmt":"2023-07-21T18:28:27","guid":{"rendered":"https:\/\/datascientest.com\/de\/?p=181073"},"modified":"2023-10-30T13:17:59","modified_gmt":"2023-10-30T12:17:59","slug":"isolation-forest","status":"publish","type":"post","link":"https:\/\/datascientest.com\/de\/isolation-forest","title":{"rendered":"Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"181073\" class=\"elementor elementor-181073\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-cab9f43 e-flex e-con-boxed e-con\" data-id=\"cab9f43\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t<div class=\"elementor-element elementor-element-3a69c3e9 e-con-full e-flex e-con\" data-id=\"3a69c3e9\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-2a166aa7 elementor-widget elementor-widget-text-editor\" data-id=\"2a166aa7\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<h3><strong>Heute besch\u00e4ftigen wir uns mit dem Isolation Forest, einem Machine-Learning-Algorithmus zur L\u00f6sung von bin\u00e4ren Klassifikationsproblemen wie Betrugserkennung oder Krankheitsdiagnose. Diese Technik, die 2008 auf der Eighth IEEE International Conference vorgestellt wurde, ist die erste Klassifizierungstechnik, die sich der Erkennung von Anomalien auf der Grundlage von Isolation widmet.<\/strong><\/h3>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-514727b5 elementor-widget elementor-widget-heading\" data-id=\"514727b5\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h3 class=\"elementor-heading-title elementor-size-default\">Isolation Forest - Das Accuracy-Paradox-Problem<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-591dce04 elementor-widget elementor-widget-text-editor\" data-id=\"591dce04\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Bei einem <a href=\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-ii\">Klassenklassifikationsproblem<\/a> mit Machine Learning kann es vorkommen, dass der Datensatz unausgewogen ist. Genauer gesagt, ist der<strong> Anteil einer Klasse im Vergleich zu einer anderen<\/strong> in der Lernstichprobe viel gr\u00f6\u00dfer. Dieses Problem ist ein h\u00e4ufiges Merkmal von <a href=\"https:\/\/datascientest.com\/de\/umgang-mit-problemen-bei-unausgewogener-klassifizierung-teil-i\">bin\u00e4ren Klassifikationsproblemen.<\/a> Man k\u00f6nnte zun\u00e4chst daran denken, einen <strong>klassischen Klassifikationsalgorithmus<\/strong> anzuwenden, wie z. B. Entscheidungsb\u00e4ume, <a href=\"https:\/\/datascientest.com\/de\/der-knn-algorithmus-einfach-erklart\">K-NN<\/a> oder SVM, die in unserem Blog vorgestellt werden. Diese Algorithmen sind jedoch in <strong>Wirklichkeit nicht in der Lage, mit diesen atypischen Datens\u00e4tzen<\/strong> umzugehen, in denen die Unterschiede zwischen den Klassen ziemlich gro\u00df sind. Sie tendieren dazu, \u00fcber ihre Verlustfunktion Gr\u00f6\u00dfen wie die Akkuranz zu maximieren, ohne jedoch die Verteilung der Daten zu ber\u00fccksichtigen.<\/p><p>In der Praxis f\u00fchrt dies zu Modellen, die, wenn sie mit einem von einer Klasse dominierten Datenbestand trainiert werden, in der Evaluierungsphase eine hohe Rate an korrekten Vorhersagen, die sogenannte<strong> &#8222;accuracy&#8220;, aufweisen, aber f\u00fcr den Gebrauch nicht relevant sind.<\/strong><\/p><p>Ein Beispiel soll dieses Paradoxon verdeutlichen. Betrachten wir ein Problem bei der Erkennung von Bankbetrug: Eine Bank versucht, aus einer gro\u00dfen Anzahl von Transaktionen anhand einer Reihe von erkl\u00e4renden Variablen die betr\u00fcgerischen Transaktionen zu bestimmen. Diese <strong>betr\u00fcgerischen Transaktionen<\/strong> machen etwa 11% der Transaktionen in unserem Datenbestand aus. Die Klassifizierung mithilfe eines einfachen Modells wie SVM mithilfe von <a href=\"https:\/\/scikit-learn.org\/stable\/\">scikit learn<\/a> ergibt z. B. folgende Punktzahl:<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1120b76e elementor-widget elementor-widget-image\" data-id=\"1120b76e\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"261\" height=\"32\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/Ynrcj554OXGvMvJ9dVOKrIlut_xhW5AYb5_QaIXSE5EqzRP9Fnex4FSZjbBqnQxgzB2fV2A2A26jDdMY5vdFdFjcz40AU27eKozCzjHPmdheJJTkjU8k_9njuL1FbCvq1.jpg\" class=\"attachment-large size-large wp-image-181078\" alt=\"\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-68ad0417 elementor-widget elementor-widget-text-editor\" data-id=\"68ad0417\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">Ein Blick auf die <a href=\"https:\/\/datascientest.com\/de\/confusion-matrix\">Verwirrungsmatrix<\/a> zeigt jedoch schnell, dass der Algorithmus sich recht naiv verh\u00e4lt:<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-21a470ca elementor-widget elementor-widget-image\" data-id=\"21a470ca\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"171\" height=\"115\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/Classe-predite.jpg\" class=\"attachment-large size-large wp-image-181079\" alt=\"\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-463209b5 elementor-widget elementor-widget-text-editor\" data-id=\"463209b5\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Tats\u00e4chlich wurden von 219 betr\u00fcgerischen <strong>Transaktionen<\/strong> nur 25 von unserem Modell tats\u00e4chlich als betr\u00fcgerisch identifiziert. Wir stellen also fest, dass die Vorhersagekraft des Modells nicht so stark ist, wie es die accuracy vermuten lassen k\u00f6nnte. Es handelt sich um eine Metrik, die durch ein <strong>Ungleichgewicht der Klassen zu stark verzerrt<\/strong> ist, dieses Ph\u00e4nomen wird als accuracy paradox bezeichnet.<\/p><p>Ein Modell mit einem<strong> h\u00f6heren accuracy-Wert<\/strong> kann eine geringere Vorhersagekraft haben als ein Modell mit einem niedrigeren accuracy-Wert.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-71c49e64 elementor-align-center elementor-widget elementor-widget-button\" data-id=\"71c49e64\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/de\/unsere-aus-und-weiterbildungen\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Lernen, das accuracy paradox zu korrigieren<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-54682b1b elementor-widget elementor-widget-heading\" data-id=\"54682b1b\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Isolation Forest: Was ist das?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-271d4de1 elementor-widget elementor-widget-text-editor\" data-id=\"271d4de1\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Aber wie geht man mit diesem Problem um, das die <strong>Bem\u00fchungen<\/strong> mehrerer gut trainierter klassischer Algorithmen zunichte macht? Es gibt verschiedene L\u00f6sungen, wie z. B. Resampling-Methoden wie Undersampling oder Oversampling, bei denen Daten zuf\u00e4llig ausgew\u00e4hlt werden, um das <strong>Klassenverh\u00e4ltnis<\/strong> auszugleichen. Wenn diese Methoden jedoch nicht effektiv genug sind, ist es \u00fcblich, das Problem neu zu \u00fcberdenken und die Erkennung von Anomalien als ein Problem der un\u00fcberwachten Klassifizierung zu betrachten. Hier kommt der lang erwartete Isolation Forest ins Spiel!<\/p><p>Isolation Forest ist eine Technik zur Erkennung von Anomalien, die Anomalien (allgemein als &#8222;Ausrei\u00dfer&#8220; bekannt) direkt identifiziert, im Gegensatz zu herk\u00f6mmlichen <strong>Techniken, die Punkte von einem &#8222;normalisierten&#8220; Gesamtprofil unterscheiden.<\/strong><\/p><p>Das Prinzip dieses Algorithmus ist sehr einfach:<\/p><ul><li>Man w\u00e4hlt eine Variable (Feature) zuf\u00e4llig aus.<\/li><li>Anschlie\u00dfend wird der Datensatz nach dieser Variable zuf\u00e4llig partitioniert, um zwei Teilmengen der Daten zu erhalten.<\/li><li>Die beiden vorherigen Schritte werden so lange wiederholt, bis ein <strong>Datensatz isoliert<\/strong> ist.<\/li><li>Rekursiv werden die vorherigen Schritte wiederholt.<\/li><\/ul>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-653b9afd elementor-widget elementor-widget-image\" data-id=\"653b9afd\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"500\" height=\"300\" src=\"https:\/\/datascientest.com\/de\/files\/2023\/07\/python_anomaly_detection_isolation_forest.gif\" class=\"attachment-large size-large wp-image-181080\" alt=\"\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Funktionsweise des Arlgorithmus<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-6355638 elementor-align-center button-principal elementor-widget elementor-widget-button\" data-id=\"6355638\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md\" href=\"https:\/\/datascientest.com\/de\/weiterbildung-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Entdecke unsere Weiterbildungen<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<div class=\"elementor-element elementor-element-a7e56c0 e-flex e-con-boxed e-con\" data-id=\"a7e56c0\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t<div class=\"elementor-element elementor-element-5033baf e-con-full e-flex e-con\" data-id=\"5033baf\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-6ff7ffc elementor-widget elementor-widget-html\" data-id=\"6ff7ffc\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">.\n{\n  \"@context\": \"https:\/\/schema.org\",\n  \"@type\": \"FAQPage\",\n  \"mainEntity\": [{{\n    \"@type\": \"Frage\",\n    \"name\": \"Das Problem des Accuracy Paradox\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Bei einem Machine-Learning-Problem zur Klassifizierung von Klassen kann es vorkommen, dass der Datensatz unausgewogen ist. Genauer gesagt, ist der Anteil einer Klasse im Vergleich zu einer anderen in der Lernstichprobe viel gr\u00f6\u00dfer. Dieses Problem ist ein h\u00e4ufiges Merkmal von bin\u00e4ren Klassifikationsproblemen.  Man k\u00f6nnte zun\u00e4chst daran denken, einen klassischen Klassifikationsalgorithmus anzuwenden, wie z. B. Entscheidungsb\u00e4ume, K-NN oder SVM, die in unserem Blog vorgestellt werden. Diese Algorithmen sind jedoch in Wirklichkeit nicht in der Lage, mit diesen atypischen Datens\u00e4tzen umzugehen, in denen die Unterschiede zwischen den Klassen ziemlich gro\u00df sind. Sie tendieren dazu, \u00fcber ihre Verlustfunktion Gr\u00f6\u00dfen wie die Genauigkeit zu maximieren, ber\u00fccksichtigen dabei aber nicht die Verteilung der Daten.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Isolation Forest: Was ist das?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Aber was ist mit diesem Problem, das die Bem\u00fchungen einiger gut trainierter klassischer Algorithmen zunichte macht? Es gibt mehrere L\u00f6sungen, wie z. B. Resampling-Methoden wie Undersampling oder Oversampling, bei denen Daten zuf\u00e4llig ausgew\u00e4hlt werden, um das Klassenverh\u00e4ltnis auszugleichen. Wenn diese Methoden jedoch nicht effektiv genug sind, ist es \u00fcblich, das Problem neu zu \u00fcberdenken und die Erkennung von Anomalien als ein Problem der un\u00fcberwachten Klassifizierung zu betrachten. Hier kommt der lang erwartete Isolation Forest ins Spiel!\"\n    }\n  }]\n}\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Heute besch\u00e4ftigen wir uns mit dem Isolation Forest, einem Machine-Learning-Algorithmus zur L\u00f6sung von bin\u00e4ren Klassifikationsproblemen wie Betrugserkennung oder Krankheitsdiagnose. Diese Technik, die 2008 auf der Eighth IEEE International Conference vorgestellt wurde, ist die erste Klassifizierungstechnik, die sich der Erkennung von Anomalien auf der Grundlage von Isolation widmet. Isolation Forest &#8211; Das Accuracy-Paradox-Problem Bei einem Klassenklassifikationsproblem [&hellip;]<\/p>\n","protected":false},"author":67,"featured_media":181076,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2454],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?<\/title>\n<meta name=\"description\" content=\"Das Isolation Forest-Verfahren ist ein effizientes und leistungsf\u00e4higes Verfahren zur Erkennung von Anomalien in einem Datenbestand. Es\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/de\/isolation-forest\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?\" \/>\n<meta property=\"og:description\" content=\"Heute besch\u00e4ftigen wir uns mit dem Isolation Forest, einem Machine-Learning-Algorithmus zur L\u00f6sung von bin\u00e4ren Klassifikationsproblemen wie\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/de\/isolation-forest\" \/>\n<meta property=\"og:site_name\" content=\"Weiterbildung Data Science | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-21T18:28:27+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-30T12:17:59+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/07\/isolation-forest.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"562\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Melanie\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Melanie\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"4 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/de\/isolation-forest#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/isolation-forest\"},\"author\":{\"name\":\"Melanie\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\"},\"headline\":\"Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?\",\"datePublished\":\"2023-07-21T18:28:27+00:00\",\"dateModified\":\"2023-10-30T12:17:59+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/de\/isolation-forest\"},\"wordCount\":570,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/de\/isolation-forest#respond\"]}],\"copyrightYear\":\"2023\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/de\/isolation-forest\",\"url\":\"https:\/\/datascientest.com\/de\/isolation-forest\",\"name\":\"Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/#website\"},\"datePublished\":\"2023-07-21T18:28:27+00:00\",\"dateModified\":\"2023-10-30T12:17:59+00:00\",\"description\":\"Das Isolation Forest-Verfahren ist ein effizientes und leistungsf\u00e4higes Verfahren zur Erkennung von Anomalien in einem Datenbestand. Es\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/de\/isolation-forest\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/de\/#website\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"name\":\"Weiterbildung Data Science | DataScientest.com\",\"description\":\"F\u00fchrender Anbieter von Schulungen im Bereich Data Science\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/de\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-germany\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\",\"name\":\"Melanie\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"caption\":\"Melanie\"},\"url\":\"https:\/\/datascientest.com\/de\/author\/melaniekrause\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?","description":"Das Isolation Forest-Verfahren ist ein effizientes und leistungsf\u00e4higes Verfahren zur Erkennung von Anomalien in einem Datenbestand. Es","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/de\/isolation-forest","og_locale":"de_DE","og_type":"article","og_title":"Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?","og_description":"Heute besch\u00e4ftigen wir uns mit dem Isolation Forest, einem Machine-Learning-Algorithmus zur L\u00f6sung von bin\u00e4ren Klassifikationsproblemen wie","og_url":"https:\/\/datascientest.com\/de\/isolation-forest","og_site_name":"Weiterbildung Data Science | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2023-07-21T18:28:27+00:00","article_modified_time":"2023-10-30T12:17:59+00:00","og_image":[{"width":1024,"height":562,"url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/07\/isolation-forest.png","type":"image\/png"}],"author":"Melanie","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Verfasst von":"Melanie","Gesch\u00e4tzte Lesezeit":"4 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/de\/isolation-forest#article","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/isolation-forest"},"author":{"name":"Melanie","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d"},"headline":"Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?","datePublished":"2023-07-21T18:28:27+00:00","dateModified":"2023-10-30T12:17:59+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/de\/isolation-forest"},"wordCount":570,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"articleSection":["Data Science"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/de\/isolation-forest#respond"]}],"copyrightYear":"2023","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/de\/isolation-forest","url":"https:\/\/datascientest.com\/de\/isolation-forest","name":"Isolation Forest: Wie kann man Anomalien in einem Datenbestand erkennen?","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/#website"},"datePublished":"2023-07-21T18:28:27+00:00","dateModified":"2023-10-30T12:17:59+00:00","description":"Das Isolation Forest-Verfahren ist ein effizientes und leistungsf\u00e4higes Verfahren zur Erkennung von Anomalien in einem Datenbestand. Es","inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/de\/isolation-forest"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/de\/#website","url":"https:\/\/datascientest.com\/de\/","name":"Weiterbildung Data Science | DataScientest.com","description":"F\u00fchrender Anbieter von Schulungen im Bereich Data Science","publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/de\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-germany\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d","name":"Melanie","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","caption":"Melanie"},"url":"https:\/\/datascientest.com\/de\/author\/melaniekrause"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/181073"}],"collection":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/users\/67"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/comments?post=181073"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/181073\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media\/181076"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media?parent=181073"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/categories?post=181073"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/tags?post=181073"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}