如图，在机器学习PAI进行IForest异常检测，跑出来的评分怎么都是一样的？

如果IForest模型预测出来的评分全部都是一样的,可能的原因和解决方法如下:

数据特征不区分示性弱
IForest模型基于数据实例之间的差异来识别异常值。如果所有数据特征都完全一样,则模型无法察觉差异,评分就会相同。

解决方法:选择更具区分性的特征训练模型。

模型过拟合
如果训练数据实例除少量异常都完全一致,模型可能直接记住训练数据而无法对新数据做出区分。

解决方法:使用更大规模的训练数据集,包含更多样例;增加IForest的树数参数来增加模型容量。

预测数据与训练集特征一致
如果预测数据的特征分布和训练集完全吻合,则与训练集实例相同,评分表现也相同。

解决方法:使用特征分布不同的新测试数据进行预测评估模型质量。

模型参数设置不当
如树深度、树数等超参数设置可能导致IForest模型 express ability 不足。

解决方法:调整超参数,选择模型表现更好的组合。