Anomaly Detection: analisi teorica e indagine sul metodo Isolation Forest

Questo lavoro di tesi si concentra sull’analisi teorica e l’implementazione pratica dell’ Anomaly detection, intesa come rilevamento di anomalie, tramite metodi di machine learning, per identificare eventi che risultano sospetti in relazione al modello di comportamento stabilito. Questa pratica trova importanti applicazioni in diversi settori, come quello industriale, finanziario e nel rilevamento di frodi. La tesi inizia con un’esaustiva revisione della letteratura sull’anomaly detec- tion, esplorando i diversi approcci e algoritmi proposti nel campo. Si affrontano le sfide teoriche associate alla rilevazione delle anomalie, alla scelta dei metodi di apprendimento automatico più adatti e alla gestione della complessità dei dati. Viene poi presentato e approfondito il metodo dell’Isolation Forest, algoritmo di Anomaly detection basato sugli alberi binari, che permette il rilevamento di anomalie con limitati requisiti di memoria anche per quantità ingenti di dati. Viene illustrato il funzionamento teorico dell’Isolation Forest, esplorando i principi fondamentali e ne vengono analizzate le prestazioni reali, in relazioni agli altri metodi di anomaly detection descritti.