Absolument. En activant le paramètre isolation réglé sur True, l'action se transforme en une Isolation Forest. Au lieu de prédire une cible, l'algorithme cherche à isoler chaque observation. Les anomalies, étant rares et différentes, sont isolées plus rapidement (plus près de la racine de l'arbre). Cette méthode est particulièrement efficace dans les architectures de microservicesLes microservices sont une approche d'architecture logicielle où une application est décomposée en une collection de petits services indépendants, spécialisés et communicant entre eux via des APIs légères. Contrairement aux architectures "monolithiques" anciennes, chaque microservice remplit une fonction unique (ex: gestion du catalogue, authentification, moteur de calcul).
Dans SAS Viya 4, cette architecture est native. Elle permet à la plateforme de s'exécuter sur Kubernetes, offrant une flexibilité totale : chaque composant de SAS peut être mis à jour, redémarré ou mis à l'échelle (scaling) individuellement sans affecter le reste du système. pour le monitoring en temps réel ou la détection de comportements atypiques dans les transactions financières.
Peut-on utiliser forestTrain pour des stratégies de détection de fraudes ou d'anomalies ?
Exemples pour l'action forestTrain
Entraînement de base d'une forêt
Exemple minimal pour entraîner une forêt sur la cible BAD avec quelques variables explicatives.
Forêt avancée avec sauvegarde aStore et Importance RBA
Entraînement d'une forêt robuste avec 100 arbres, calcul de l'importance RBA, évaluation OOB et sauvegarde du modèle en format binaire aStore.