Isolation Forest

# Normal işlemler (yoğun bir bulut) + birkaç gerçek anomalinin (uzak, izole nokta) karışımı.
normal_veri = rng.normal([0, 0], 1.0, size=(180, 2))
anomaliler = rng.uniform([-6, -6], [6, 6], size=(10, 2))
# Anomalileri normal bulutun İÇİNDEN uzaklaştır (gerçekten izole olsunlar).
anomaliler = anomaliler[np.linalg.norm(anomaliler, axis=1) > 3.5][:8]
X = np.vstack([normal_veri, anomaliler])
gercek_anomali_mi = np.array([0] * len(normal_veri) + [1] * len(anomaliler))
print(f"{len(X)} nokta: {len(normal_veri)} normal + {len(anomaliler)} gerçek anomali")

# Fikir: bir noktayı rastgele bölünmelerle "izole etmek" için gereken adım sayısı, o nokta
# ne kadar İZOLE ise o kadar AZDIR (etrafında az komşu olduğu için erken ayrılır).
def rastgele_izolasyon_derinligi(X, hedef_indeks, maks_derinlik=20):
    indeksler = np.arange(len(X))
    derinlik = 0
    while len(indeksler) > 1 and derinlik < maks_derinlik:
        oznitelik = rng.integers(0, X.shape[1])
        degerler = X[indeksler, oznitelik]
        if degerler.min() == degerler.max():
            break
        esik = rng.uniform(degerler.min(), degerler.max())
        hedef_deger = X[hedef_indeks, oznitelik]
        if hedef_deger < esik:
            indeksler = indeksler[degerler < esik]
        else:
            indeksler = indeksler[degerler >= esik]
        derinlik += 1
        if hedef_indeks not in indeksler:
            break
    return derinlik

# Tek bir nokta yerine, TÜM normal noktaların ve TÜM anomalilerin ortalama izolasyon derinliğine bakalım
# (tek noktada rastgele bölünmeler gürültülü olabilir; birçok noktayı ortalamak asıl örüntüyü ortaya çıkarır).
tekrar = 5
normal_derinlikler = [rastgele_izolasyon_derinligi(X, i) for i in range(len(normal_veri)) for _ in range(tekrar)]
anomali_derinlikler = [rastgele_izolasyon_derinligi(X, len(normal_veri) + i) for i in range(len(anomaliler)) for _ in range(tekrar)]
print(f"Normal noktaları izole etmek için ORTALAMA adım sayısı: {np.mean(normal_derinlikler):.2f}")
print(f"Anomalileri izole etmek için ORTALAMA adım sayısı: {np.mean(anomali_derinlikler):.2f}")
print("Anomaliler, ortalamada daha AZ adımda izole ediliyor -- Isolation Forest'ın çekirdek fikri tam olarak bu;")
print("gerçek gücü ise YÜZLERCE ağacın bu derinlikleri ORTALAYARAK gürültüden arındırılmış, güvenilir bir skor çıkarmasında.")

model = IsolationForest(n_estimators=200, contamination=0.05, random_state=3)
tahmin = model.fit_predict(X)  # -1 = anomali, 1 = normal
skorlar = model.decision_function(X)  # düşük skor = daha anormal

bulunan_anomali_sayisi = np.sum(tahmin == -1)
print(f"\nIsolation Forest'ın anomali olarak işaretlediği nokta sayısı: {bulunan_anomali_sayisi}")
gercek_anomali_indeksleri = np.where(gercek_anomali_mi == 1)[0]
dogru_yakalanan = np.sum(tahmin[gercek_anomali_indeksleri] == -1)
print(f"Gerçek {len(anomaliler)} anomaliden doğru yakalanan: {dogru_yakalanan}")

for c in [0.01, 0.05, 0.1, 0.2]:
    m = IsolationForest(n_estimators=200, contamination=c, random_state=3)
    t = m.fit_predict(X)
    print(f"contamination={c:<5} işaretlenen anomali sayısı: {np.sum(t == -1)}")
print("contamination, 'verinin yaklaşık yüzde kaçının anomali olduğunu düşündüğünü' modele söyler --")
print("bu bir EŞİK ayarıdır, modelin kendisi anomali OLASILIĞINI zaten skorlar (decision_function).")