golearn 的 isolationforest 异常检测需预处理：剔除非数值列、归一化、插补缺失值；调参适配样本量；用历史故障标定分数阈值；采用滚动窗口增量更新；确保特征顺序一致并验证故障样本得分。
用 GoLearn 做异常检测，别直接喂原始传感器数据
GoLearn 的 IsolationForest 对输入数据很敏感：它假设所有特征是数值型、近似同量纲、无严重缺失。你如果把 raw CSV 里混着时间戳、设备 ID、单位字符串的数据直接塞进去，ParseCSVToInstances 会静默失败或返回空实例列表，而错误提示只有 nil 实例 + panic on nil pointer —— 这是最常卡住新手的地方。
- 先用
base.ParseCSVToInstances加载，再立刻检查len(instances)是否为预期值，不为真就说明解析出问题 - 剔除非数值列（如
"device_id","timestamp","unit"）；若含字符串标签（如"status: normal"），得先映射成数字再丢给模型 - 对温度、振动、电流等关键特征做 min-max 归一化（GoLearn 没内置 scaler，得手写或调用
gonum/mat） - 缺失值不能留空 ——
IsolationForest不支持NaN，必须用前向填充或均值插补，否则训练时会 panic
训练隔离森林时，nTrees 和 sampleSize 别照搬默认值
GoLearn 中 IsolationForest 的默认 nTrees=100、sampleSize=256 是通用设定，但在工业场景下容易过拟合小样本或漏检早期退化趋势。比如你只有 2000 条某台电机的小时级日志，sampleSize=256 就占了 12.8%，随机切分后树的判别力急剧下降。
使用 uber-go/dig 在 Golang 中实现依赖注入——基于反射容器，提供 Provide/Invoke、dig.In/dig.Out 参数与结果对象，支持命名依赖等
- 当样本量 nTrees=50、
sampleSize=64，提升单棵树的稳定性 - 若传感器采样频率高（如 1kHz 振动数据），先用滑动窗口聚合（均值/标准差）降维，再喂给模型；否则内存暴涨且树深度失控
-
contamination参数不是“故障率预估”，而是异常得分阈值的粗略引导 —— 实际部署必须用历史故障段标定，而非设 0.1 就完事
实时推理时，Predict 返回的是异常分值，不是布尔标签
很多人调用 forest.Predict(instance) 后直接拿返回值跟 0.5 比较，结果误报率极高。GoLearn 的 IsolationForest 输出是归一化异常分数（0～1），越接近 1 越可疑，但它的分布高度依赖训练数据的离群程度 —— 一批新到的正常数据也可能集体得 0.7 分。
- 必须在验证集上画出异常分数直方图，观察正常段与已知故障段的分数分离度，手动定阈值（比如取正常段 99.5% 分位数）
- 不要单点判断：连续 5 个采样点 > 阈值才触发预警，避免噪声抖动误报
- 分数本身可存入时序库（如 Prometheus + Grafana），用于绘制设备健康趋势线 —— 这比“告警/不告警”有用得多
模型更新不能靠全量重训，得用增量适配
产线设备状态是缓慢漂移的：轴承磨损、传感器老化、环境温湿度变化，都会让昨天有效的模型今天开始漏报。但 GoLearn 没提供 partial_fit 接口，硬做全量重训（每天拉全部历史数据）既慢又不可靠 —— 新数据少、旧数据噪点多，模型反而退化。
- 保留最近 7 天的滚动窗口数据（按设备 ID 分片），每天只用这 7 天数据重训，丢弃更早样本
- 用
base.NewDenseInstance构造新样本时，确保特征顺序和训练时完全一致（字段名不重要，索引顺序才重要） - 上线前务必加校验：用训练集里已知的故障样本跑一次
Predict，确认分数 > 阈值；否则说明特征 pipeline 或模型加载出错
IsolationForest，而是让异常分数在不同设备、不同工况、不同生命周期阶段下保持可解释性和稳定性。传感器数据没标好时间对齐、振动通道没做带通滤波、温度没剔除阳光直射干扰 —— 这些细节比选哪个算法影响更大。golang免费学习笔记（深入）：立即使用
在学习笔记中，你将探索golang的核心概念和高级技巧！
