{"id":168438,"date":"2024-01-31T06:30:00","date_gmt":"2024-01-31T05:30:00","guid":{"rendered":"https:\/\/liora.io\/es\/?p=168438"},"modified":"2026-02-25T18:28:47","modified_gmt":"2026-02-25T17:28:47","slug":"isolation-forest","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/isolation-forest","title":{"rendered":"Isolation Forest: \u00bfc\u00f3mo detectar anomal\u00edas en un conjunto de datos?"},"content":{"rendered":"\n

Hoy echamos un vistazo a Isolation Forest, un algoritmo de Machine Learning dise\u00f1ado para resolver problemas de clasificaci\u00f3n binarios como la detecci\u00f3n de fraudes o el diagn\u00f3stico de enfermedades. Esta t\u00e9cnica, presentada en la 8.\u00aa Conferencia Internacional del IEEE en 2008, es la primera t\u00e9cnica de clasificaci\u00f3n dedicada a la detecci\u00f3n de anomal\u00edas basada en el aislamiento.<\/strong><\/p>\n\n\n\n

El problema de la paradoja de la precisi\u00f3n<\/h2>\n\n\n\n

Cuando nos enfrentamos a un problema de clasificaci\u00f3n de clases en Machine Learning, a veces ocurre que el conjunto de datos est\u00e1 desequilibrado<\/a>. M\u00e1s concretamente, existe una proporci\u00f3n mucho mayor de una clase que de otra dentro de la muestra de entrenamiento. Este problema es una caracter\u00edstica frecuente de los problemas de clasificaci\u00f3n binarios. A primera vista, se podr\u00eda pensar en aplicar un algoritmo de clasificaci\u00f3n cl\u00e1sico, como los \u00e1rboles de decisi\u00f3n<\/strong>, los K-NN<\/a> o SVM<\/a> presentados en nuestro blog. Sin embargo, en realidad, estos algoritmos son incapaces de manejar estos conjuntos de datos at\u00edpicos en los que hay un gran n\u00famero de disparidades entre clases. Tienden a maximizar por medio de su funci\u00f3n de p\u00e9rdida de cantidades como accuracy<\/b>, pero sin tener en cuenta la distribuci\u00f3n de los datos.<\/p>\n\n\n\n

En la pr\u00e1ctica, esto puede verse en modelos que, cuando se entrenan en un conjunto de datos<\/strong> dominado por una clase, reportar\u00e1n durante la fase de evaluaci\u00f3n un alto \u00edndice de predicciones correctas, conocido como \u201caccuracy<\/strong>\u201d, pero no ser\u00e1n relevantes en la pr\u00e1ctica.<\/p>\n\n\n\n

Veamos un ejemplo para ilustrar esta paradoja. En el caso de un problema de detecci\u00f3n de fraudes bancarios<\/b>: un banco intenta determinar entre un gran n\u00famero de transacciones cu\u00e1les son fraudulentas, bas\u00e1ndose en una serie de variables explicativas. Estas transacciones fraudulentas representan alrededor del 11 % de las transacciones de nuestro conjunto de datos. La clasificaci\u00f3n mediante un modelo sencillo como SVM utilizando Scikit-Learn<\/a> da, por ejemplo, la siguiente puntuaci\u00f3n:<\/p>\n\n\n\n

Puntuaci\u00f3n sobre el conjunto de prueba 0,8985<\/pre><\/div>\n\n\n\n
<\/div>\n\n\n\n
Sin embargo, si echamos un vistazo a la matriz de confusi\u00f3n, r\u00e1pidamente nos damos cuenta de que el comportamiento del algoritmo es bastante ingenuo:<\/p>\n\n\n\n
\n  \n    \n      \n        \n\n      \n        \n        \n        
Clase prevista<\/th>\n        0<\/th>\n        1<\/th>\n      <\/tr>\n    <\/thead>\n    
Clase real<\/strong><\/td>\n         <\/td>\n         <\/td>\n      <\/tr>\n\n      
0<\/strong><\/td>\n        1772<\/td>\n        9<\/td>\n      <\/tr>\n\n      
1<\/strong><\/td>\n        194<\/td>\n        25<\/td>\n      <\/tr>\n\n    <\/tbody>\n  <\/table>\n<\/div>\n\n\n\n
<\/div>\n\n\n\n
De 219 transacciones fraudulentas, solo 25 fueron identificadas como fraudulentas por nuestro modelo. Esto demuestra que el poder predictivo del modelo no es tan potente como podr\u00eda sugerir la precisi\u00f3n. Se trata de una m\u00e9trica demasiado sesgada por un desequilibrio de clases, un fen\u00f3meno conocido como la paradoja de la precisi\u00f3n<\/a>.<\/p>\n\n\n\n
Un modelo con una puntuaci\u00f3n de precisi\u00f3n m\u00e1s alta puede tener un poder de predicci\u00f3n menor que un modelo con una precisi\u00f3n m\u00e1s baja.<\/em><\/p>\n\n\n\n
\n
Aprender a corregir la paradoja de la precisi\u00f3n<\/a><\/div>\n<\/div>\n\n\n\n
\u00bfQu\u00e9 es el Isolation Forest?<\/h2>\n\n\n\n
\u00bfC\u00f3mo afrontar este problema que arruina los esfuerzos de varios algoritmos cl\u00e1sicos bien entrenados? Existen varias soluciones, como por ejemplo los m\u00e9todos de remuestreo, como el submuestreo<\/b> o el sobremuestreo<\/b>, que seleccionan aleatoriamente datos para equilibrar la proporci\u00f3n de clases. Sin embargo, cuando estos m\u00e9todos no son suficientemente eficaces, es habitual replantearse el problema y considerar la detecci\u00f3n de anomal\u00edas como un problema de clasificaci\u00f3n no supervisada<\/a>. Aqu\u00ed es donde entra en juego el tan esperado Bosque de Aislamiento.<\/p>\n\n\n\n
En Isolation Forest, encontramos Isolation porque es una t\u00e9cnica de detecci\u00f3n de anomal\u00edas que identifica directamente<\/b> las anomal\u00edas (com\u00fanmente conocidas como \u00aboutliers<\/b>\u00ab), a diferencia de las t\u00e9cnicas habituales que discriminan los puntos con respecto a un perfil general \u201cnormalizado\u201d.<\/p>\n\n\n\n
El principio de este algoritmo es muy sencillo:<\/p>\n\n\n\n