IsolationForest适合小样本离群点检测，因其基于随机分割逻辑，不依赖距离或密度，训练快、内存低、无需标签；需合理设置contamination参数并标准化特征。
IsolationForest 为什么适合小样本离群点检测
因为它的核心逻辑是“用随机超平面切数据，离群点被更快孤立”，不依赖距离或密度，对高维、非球形分布的数据更鲁棒。相比 LocalOutlierFactor 或 OneClassSVM，它在训练快、内存低、无需标签这三点上优势明显——尤其当你只有几百条记录却要快速筛掉几条明显异常值时。
但注意：IsolationForest 默认假设离群比例是 0.1，实际中这个值常偏高。比如你处理传感器日志，真实异常可能只占 0.5%，若不调 contamination，模型会硬凑出 10% 的“离群点”，把边界正常的点也干掉。
contamination 参数怎么设才不误删正常数据
别信默认值。先用简单统计探底：算下 np.percentile(X, [99.5, 99.9]) 看极端值分布，再结合业务常识判断“多离谱才算真异常”。比如订单金额超过 10 万元的记录占比 0.3%，那就设 contamination=0.003。
- 如果后续发现剔除太多，逐步降低
contamination（如 0.002 → 0.001） - 如果几乎没剔除，检查是否用了
fit_predict却忘了传原始数据——常见错误是只对X_train拟合，却拿X_test直接预测，导致结果全为 1 - 对时间序列类数据，别直接喂原始时间戳；先做差分或滑动窗口特征，否则模型会把“时间靠后”误判为异常
fit_predict 返回值 -1 和 1 到底对应什么
fit_predict 返回的是标签数组：-1 表示离群点，1 表示正常点。这不是概率，也不是置信度，就是二分类判决结果。
立即学习“Python免费学习笔记（深入）”；
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
容易踩的坑：
- 有人用
predict方法但没先调fit，报错AttributeError: 'IsolationForest' object has no attribute 'decision_function_' - 想看“有多异常”，得用
decision_function(X)或score_samples(X)，返回负数越小表示越异常（注意：不是越大越异常） - 批量剔除时别直接
X[y_pred == 1]，先确认y_pred是一维数组且长度匹配，否则静默丢行
单变量 vs 多变量场景下要不要标准化
必须标准化，哪怕只有一列数值特征。因为 IsolationForest 在切分时会等概率选特征维度，如果某列量纲是万元，另一列是毫秒，前者几乎永远被优先切割，模型就退化成只看那一列。
实操建议：
- 用
StandardScaler而非MinMaxScaler，前者对异常值更不敏感 - 标准化必须在
fit前完成，且训练集和测试集共用同一套scaler.fit_transform(train_X)+scaler.transform(test_X) - 如果含类别型变量，别强行 one-hot 后塞进去——先用目标编码或分箱转为有序数值，或干脆单独用树模型预筛
真正难的不是跑通代码，而是判断哪条记录“该被剔”而不是“能被剔”。比如用户登录失败次数为 99 次，模型标为 -1，但业务上可能是爬虫扫号，也可能是真用户输错密码——这时候得留个 decision_function 分数阈值接口，让人复核，而不是全自动流水线式删除。
