분류나무와 다른 질문
정답 범주를 잘 나누는 문턱을 찾는 대신 특징을 고르고 그 값 범위 안에서 분할값을 무작위로 정한다. 나눈 영역에서 분할을 반복하면 표본을 구별하는 나무가 된다. 상대적으로 드문 위치의 표본은 적은 분할로 따로 떨어질 수 있다. 여러 나무를 모아 한 번의 우연한 분할에 대한 의존을 줄인다.
네 점의 첫 분할
일차원 점이 0,1,2,20이라고 하자. 첫 문턱을 0과 20 사이에서 균등하게 뽑는 단순 예에서, 2와 20 사이를 고르면 20이 한 번에 고립된다. 그 확률은 18/20=0.9다. 반면 0을 첫 단계에 혼자 떼려면 0과 1 사이를 골라야 하므로 확률은 1/20=0.05다. 이것이 곧 최종 이상 확률이라는 뜻은 아니다.
점수와 문턱
경로 길이에 기반한 점수와 최종 정상·이상 판정 문턱은 구분된다. 도구마다 점수의 부호나 큰 값이 뜻하는 방향이 다를 수 있다. 예상 이상 비율 같은 설정은 판정 문턱에 영향을 줄 수 있지만 실제 이상 비율을 모형이 정확히 알아냈다는 증거는 아니다.
탐지 결과의 해석
짧게 고립되는 점이 반드시 잘못된 자료는 아니다. 드물지만 유효한 사례도 있을 수 있다. 특징 구성, 표본 선택, 나무 수와 무작위 시드를 검토하고 실제 사례로 확인해야 한다. 학습 자료의 구조가 바뀌면 이상 점수의 의미도 달라질 수 있어 별도 평가 자료와 운영 조건을 함께 살핀다.