【AI算法学习笔记】Isolation Forest（孤立森林）从原理到 Python 实战

一、什么是 Isolation Forest？

Isolation Forest（孤立森林，简称 IF） 是一种用于异常检测（Anomaly Detection）的无监督机器学习算法。

它最大的特点是：

不需要大量“正常/异常”标签，就可以自动发现数据中的异常样本。

传统分类算法通常需要：

训练数据
↓
正常样本 + 异常样本
↓
模型训练
↓
判断新数据

而 Isolation Forest 更像：

大量历史数据
↓
Isolation Forest
↓
分析哪些数据容易被“孤立”
↓
异常分数
↓
正常 / 异常

这使它非常适合工业设备、IoT、MES、网络监控、交易风控等场景。

二、为什么异常数据容易被发现？

先看一个简单例子。

假设我们有设备温度数据：

60
61
62
63
61
64
62
63
65
125 ← 异常

前面的数据集中在：

60 ───────────────── 65

而 125 距离其他数据非常远。

如果我们随机选择一个切分点：

125
│
60 61 62 63 61 64 62 63 65
─────────────────────┼────────────
↑
很容易切出来

125 很快就被单独分离。

而正常数据：

60 61 62 63 61 64 62 63 65

彼此非常接近，需要经过多次随机切分才能把某一个数据单独分出来。

因此：

异常点的平均路径长度通常更短。

这就是 Isolation Forest 最核心的思想。

三、Isolation Forest 的核心思想

Isolation Forest 可以理解成：

不断随机切数据，看看一个数据点需要多少次才能被单独“隔离”出来。

它主要包含两个核心概念：

1. Isolation Tree

一棵“孤立树”。

Root
│
随机选择特征
│
┌───────┴───────┐
↓ ↓
Node Node
/ \\ │
/ \\ ↓
↓ ↓ …
Data Data

每一次：

随机选择一个特征
↓
随机选择一个切分值
↓
将数据分成两部分
↓
继续递归

直到：

一个样本
↓
被单独隔离

四、为什么需要很多棵树？

一棵随机树的结果可能不稳定。

因此 Isolation Forest 会建立很多棵树：

数据集
│
┌───────────┼───────────┐
↓ ↓ ↓
Tree 1 Tree 2 Tree 3
↓ ↓ ↓
路径长度 路径长度 路径长度
↓ ↓ ↓
综合结果
↓
Anomaly Score

这就是：

Isolation + Forest

也就是：

孤立 + 森林

五、什么叫 Path Length？

假设异常数据：

125℃

经过随机切分：

第一次切分
↓
第二次切分
↓
125℃被单独分离

路径长度：

2

而正常数据：

62℃

可能需要：

第一次
↓
第二次
↓
第三次
↓
第四次
↓
第五次
↓
……

才能被隔离。

所以：

路径短
↓
容易孤立
↓
更可能异常

路径长
↓
不容易孤立
↓
更可能正常

六、Isolation Forest 的数学直觉

Isolation Forest 最终关注的是：

平均路径长度 E(h(x))

其中：

• x：某个数据样本
• h(x)：样本在一棵 Isolation Tree 中的路径长度
• E(h(x))：多棵树上的平均路径长度

异常分数通常与下面的形式相关：

其中：

c(n)

是用于标准化路径长度的函数。

直观理解即可：

当路径很短

E(h(x))↓

那么：

s(x)↑

说明：

越可能是异常点。

七、Python 实战

Python 中可以直接使用 scikit-learn。

import numpy as np
from sklearn.ensemble import IsolationForest

# 模拟设备温度
data = np.array([
[60],
[61],
[62],
[63],
[61],
[64],
[62],
[63],
[65],
[125]
])

# 创建模型
model = IsolationForest(
n_estimators=100,
contamination=0.1,
random_state=42
)

# 训练
model.fit(data)

# 预测
prediction = model.predict(data)

print(prediction)

返回结果类似：

[ 1 1 1 1 1 1 1 1 1 -1]

其中：

1 = 正常
-1 = 异常

因此：

125℃

被识别成异常。

八、获取异常分数

除了 predict()，我们还可以获得异常分数。

score = model.decision_function(data)

for value, s in zip(data.flatten(), score):
print(value, s)

一般来说：

分数越低
↓
越异常

因此可以进一步做：

设备数据
↓
Isolation Forest
↓
异常 Score
↓
┌───────────────┐
│ Score 正常 │
│ Score 异常 │
└───────────────┘

九、MES 中的实际案例

这个算法在你的 MES 学习体系里非常有价值。

假设我们监控一台 CNC 设备。

每天采集：

温度
主轴转速
主轴电流
振动
压力
加工时间

形成：

最后一条数据明显可疑。

但是实际工业现场通常不会只有一个指标异常。

可能出现：

温度 ↑
电流 ↑
振动 ↑
加工时间 ↑

单独判断一个指标可能不准确。

这时候就可以使用：

Isolation Forest 多维异常检测。

十、多维设备异常检测

输入：

X =
[
温度,
主轴转速,
电流,
振动,
压力,
加工时间
]

然后：

CNC设备
│
┌───────────┼───────────┐
↓ ↓ ↓
温度 电流 振动
│ │ │
└───────────┼───────────┘
↓
特征数据
↓
Isolation Forest
↓
异常评分
↓
┌────────┴────────┐
↓ ↓
正常 异常
↓
告警
↓
MES系统

这比单纯：

温度 > 100℃

这种固定阈值方式更加灵活。

十一、Isolation Forest vs 固定阈值

传统方式：

if temperature > 100:
alarm()

问题是：

100℃一定异常吗？

不一定。

不同设备：

设备A：正常温度 50~70℃
设备B：正常温度 80~110℃
设备C：正常温度 40~60℃

固定阈值很难覆盖所有设备。

Isolation Forest 可以学习历史数据中的：

正常分布

然后发现：

不符合整体数据分布的样本

因此：

十二、Isolation Forest 的几个重要参数

实际开发中最常见的是：

IsolationForest(
n_estimators=100,
contamination=0.05,
max_samples="auto",
random_state=42
)

n_estimators

森林中树的数量。

例如：

10
50
100
200

树越多通常越稳定，但计算量也增加。

contamination

预期异常数据比例。

例如：

contamination=0.05

表示预计大约：

5%

的数据属于异常。

这个参数在实际项目中需要谨慎设置。

max_samples

每棵树使用多少样本。

大型数据集可以通过采样减少计算量。

random_state

随机种子。

开发和测试阶段建议固定：

random_state=42

方便复现结果。

十三、真正的工业系统不能只靠 Isolation Forest

这一点非常重要。

在 MES / 工业 AI 项目中，不建议：

Isolation Forest
↓
直接停机

而应该：

传感器
↓
数据采集
↓
数据清洗
↓
特征工程
↓
Isolation Forest
↓
异常评分
↓
规则引擎
↓
告警
↓
AI分析
↓
维修人员确认

例如：

异常分数：0.91
↓
温度异常
+
电流异常
+
振动异常
↓
AI Agent
↓
“疑似主轴轴承异常”
↓
生成维修建议

这样才能从：

异常检测

进一步发展到：

异常诊断 → 原因分析 → 预测性维护。

十四、Isolation Forest 在 AI Agent 中的位置

如果进一步结合你正在做的 Agent / FDE 方向，可以形成：

这就是一个非常典型的：

传统机器学习 + 工业数据 + AI Agent + FDE

的组合。

十五、学习路线

如果你准备系统学习 Isolation Forest，我建议按这个顺序：

其中 Decision Tree → Random Forest → Isolation Forest 这一条线尤其值得理解，因为它能帮助你真正搞懂 Isolation Forest 为什么有效。