IsolationForest适合小样本异常检测，因其不依赖异常比例假设和先验分布，核心基于异常点易被随机切分孤立、路径长度更短的特性；需显式设置contamination、用RobustScaler标准化、处理类别变量和缺失值，并重视decision_function输出而非predict标签。
IsolationForest 为什么适合小样本异常检测
它不依赖异常比例假设，也不需要先验分布，特别适合你手头只有几百条数据、但知道其中混着几个明显 outlier 的场景。核心思想是：异常点更容易被随机切分孤立出来，所以平均路径长度更短——这使得它比 OneClassSVM 或 EllipticEnvelope 在高维稀疏数据上更快、更鲁棒。
但要注意：IsolationForest 默认把路径长度 > 某个阈值的点判为异常，这个阈值由 contamination 参数控制。如果你没设，它会按训练集自动估算，结果往往不准。
- 真实业务中建议显式设置
contamination=0.05（即预估 5% 是异常），而不是依赖默认值 - 若你完全不知道异常比例，先用
predict得到原始决策函数输出decision_function(X)，再结合直方图观察拐点 -
n_estimators=100是合理起点；低于 50 容易不稳定，高于 200 提升有限但耗时明显增加
fit 之前必须做标准化吗
必须做，而且不能只用 StandardScaler 简单处理。因为 IsolationForest 是基于随机划分的树模型，特征量纲差异大会导致划分严重偏向大数值特征（比如收入字段是万元级，而年龄是两位数，树几乎只在收入上切）。
推荐用 RobustScaler，它用中位数和四分位距缩放，对已有异常值不敏感——这正好契合无监督场景下你还不知道哪些是异常的现实。
- 别用
MinMaxScaler：异常值会拉伸整个范围，把正常点全挤到 0~0.1 区间 - 如果含类别型变量，先用
OneHotEncoder转成 0/1，再进RobustScaler（不要用LabelEncoder） - 缺失值填
np.nan即可，IsolationForest内部能处理，但别填 0 或均值——那会伪造“正常”信号
如何解释 predict 输出的 -1 和 1
predict 返回的是离散标签：-1 表示异常，1 表示正常。但这只是基于 contamination 阈值的硬划分，掩盖了异常程度差异。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
真正有用的是 decision_function(X) 返回的浮点数：越负，越可能是异常；接近 0 表示边界模糊；正数基本可视为安全。你可以用这个值排序，人工抽检最负的前 10 条，比盲目看 -1 更可靠。
- 注意：
decision_function输出不是概率，不能直接当置信度用 - 如果想量化异常强度，可用
score_samples(X)，它返回类似“异常分数”的正值（越大越异常），和decision_function符号相反但趋势一致 - 调参时优先观察
decision_function分布形状，而不是准确率——毕竟你根本不知道真标答
多维数据里哪些特征容易拖后腿
高度相关的特征（比如“月消费额”和“年消费额”）会让树反复在相似方向切分，浪费估计能力；而常数或近似常数列（如某字段 99% 是 0）则提供零信息，还增加计算噪声。
建议在 fit 前做两件事：用 np.std(X, axis=0) 检查标准差，过滤掉 std 的列；再用 np.corrcoef(X.T) 查相关系数绝对值 > 0.95 的特征对，留一个删一个。
- 时间序列类特征（如“距上次登录天数”）要小心：若含大量 0，考虑拆成二值标志 + 非零时长两个字段
- 文本向量化后的高维稀疏特征（如 TF-IDF）不适合直接喂给
IsolationForest，先用TruncatedSVD降到 50 维内再处理 - 树深度默认是
max_samples=min(256, n_samples)，样本少于 256 行时会强制浅层树，此时特征冗余影响更大
实际部署时最容易被忽略的是：训练时用了 RobustScaler，但预测时忘了保存 scaler 对象，或者用新数据重新 fit 了 scaler——这会导致前后尺度不一致，decision_function 值漂移，异常判定完全失准。 scaler 和 model 必须一起持久化。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
