Skip to contents

calculate isoforest score from df

Usage

score_isoforest(df)

Arguments

df

database

Value

vector

Examples

score_isoforest(iris[sapply(iris, is.numeric)])
#>         1         2         3         4         5         6         7         8 
#> 0.4053423 0.4219162 0.4338454 0.4434280 0.4169808 0.5006120 0.4697641 0.3980444 
#>         9        10        11        12        13        14        15        16 
#> 0.5011945 0.4696406 0.4407505 0.4228337 0.4775033 0.6003592 0.5760726 0.6123276 
#>        17        18        19        20        21        22        23        24 
#> 0.5097974 0.4240785 0.5283329 0.4460901 0.4622989 0.4560202 0.5490060 0.5016360 
#>        25        26        27        28        29        30        31        32 
#> 0.4958819 0.4412170 0.4449357 0.4156996 0.4154796 0.4380985 0.4293210 0.4628652 
#>        33        34        35        36        37        38        39        40 
#> 0.5535277 0.5407777 0.4150081 0.4519941 0.4701560 0.4819117 0.4762722 0.3994692 
#>        41        42        43        44        45        46        47        48 
#> 0.4442222 0.6005574 0.4722416 0.5194542 0.5164695 0.4588935 0.4465758 0.4301239 
#>        49        50        51        52        53        54        55        56 
#> 0.4372560 0.4053541 0.4915511 0.4288323 0.4517358 0.4704944 0.4156620 0.4083814 
#>        57        58        59        60        61        62        63        64 
#> 0.4533170 0.5287437 0.4333731 0.4879299 0.5896557 0.4206529 0.5329455 0.3985069 
#>        65        66        67        68        69        70        71        72 
#> 0.4565574 0.4441529 0.4142016 0.4616656 0.4959886 0.4526856 0.4449330 0.4255761 
#>        73        74        75        76        77        78        79        80 
#> 0.4341805 0.4343908 0.4249438 0.4264958 0.4491868 0.4311717 0.3979753 0.4819617 
#>        81        82        83        84        85        86        87        88 
#> 0.4702440 0.4799861 0.4335521 0.4256130 0.4406315 0.4767142 0.4240590 0.4839550 
#>        89        90        91        92        93        94        95        96 
#> 0.4202625 0.4348802 0.4462437 0.4007500 0.4313259 0.5212185 0.4139876 0.4321361 
#>        97        98        99       100       101       102       103       104 
#> 0.4034704 0.4120025 0.5376121 0.4055973 0.5395433 0.4318226 0.4725752 0.4277519 
#>       105       106       107       108       109       110       111       112 
#> 0.4549285 0.5534462 0.5459260 0.5249735 0.5084993 0.6091616 0.4421708 0.4388342 
#>       113       114       115       116       117       118       119       120 
#> 0.4369096 0.4885086 0.5125167 0.4548277 0.4186927 0.6324378 0.6352356 0.5073586 
#>       121       122       123       124       125       126       127       128 
#> 0.4610342 0.4661130 0.5685280 0.4175738 0.4649056 0.4993587 0.4144778 0.4075536 
#>       129       130       131       132       133       134       135       136 
#> 0.4407136 0.5048896 0.5210876 0.6489453 0.4519244 0.4151037 0.4818357 0.5436132 
#>       137       138       139       140       141       142       143       144 
#> 0.5029165 0.4264197 0.4122089 0.4520699 0.4672653 0.4710422 0.4318226 0.4679952 
#>       145       146       147       148       149       150 
#> 0.5052906 0.4515547 0.4537042 0.4224087 0.5036891 0.4196662