异常值值会影响回归模型和分类模型的准确性，因此检测和删除它们是机器学习过程中的重要一步。在较大的数据集上，检测和去除异常值要困难得多，因此数据科学家经常应用自动异常检测算法（例如隔离森林）来帮助识别和去除异常值。
顾名思义，隔离森林是一种基于树的异常检测算法。它使用无监督学习方法来检测异常数据点，然后可以将其从训练数据中删除。在移除异常值的数据集上重新训练模型通常会提高性能。
隔离森林(Isolation Forest) 又名孤立森林，是一种从异常点出发，通过指定规则进行划分，根据划分次数进行判断的异常检测方法。由周志华教授等人提出。该算法对较大数据集的异常值处理有着很大效果，同样适合小数据集。