让 AI 推演孤立森林：切点均匀随机，为什么远处样本更容易先被分开
无监督异常检测中，孤立森林通过随机切分来观察样本有多容易被单独分开。所谓随机，并不意味着每个样本第一次就被隔离的机会相同。若某点与其他点之间空隙很大，切点落进这片空隙的机会也更大。四个点就足以量出这种差异。
AI模型生成的概念插图：随机分割可以较早隔离远处点；位置与间距仅作概念示意，不是精确数据图或算法运行截图。
随机抽坐标，不是随机挑一个间隙
原创数据只有一维的四个点[0,1,2,9]。每个节点在当前最小坐标与最大坐标之间均匀抽一个实数切点，左小右大，递归直到每个叶子仅有一个点。不做子采样，也不设树高上限；本文先研究这个完整切分模型。
根节点的范围长度为9。切点落在0到1之间的概率是1/9，落在1到2之间也是1/9，落在2到9之间则是7/9。三段虽然各有一个“间隙”名称，长度却不同，不能把它们都赋成1/3。落在端点的事件在连续抽样中概率为0。
只要第一刀位于2到9之间，点9便立即独处，所以它第一刀被隔离的机会为7/9，约77.78%。点0必须等切点落入0到1之间，机会只有1/9；中间点1不可能靠一条阈值切分立即与左右两边同时分开。
先分不出来，还能继续算后续路径
把根节点到单点叶子经过的切分次数记为路径长度。对点9，若第一刀在大间隙中，长度就是1；若在1到2之间，它与点2留在一起，再切一次便独处，总长2。
若第一刀在0到1之间，剩下[1,2,9]。在这个子节点，2到9的大间隙占7/8，一刀能隔离9；1到2的小间隙占1/8，还要再多一刀。所以从该子节点起的期望长度为(7/8)×1+(1/8)×2=9/8，加上根节点的一刀共17/8。
合并三种根分支，点9的期望长度为(7/9)×1+(1/9)×2+(1/9)×(17/8)=89/72，约1.236111。这里的小数描述所有随机树的平均，不要求某棵树出现“一点二刀”。
用递归精确核对，不靠少量试抽
程序对每个节点的全部相邻间隙计算概率，再递归累计期望，得到点0、1、2、9的期望长度分别为41/18、23/8、5/2、89/72，约2.277778、2.875、2.5、1.236111。点9平均最早被隔离，符合本例的几何位置。
让AI列出当前坐标范围、每个间隙的长度、切分后目标点进入的子集，再逐层相加。若只是给四个点各指定一个随机深度，就没有验证均匀坐标抽样产生的分布。把全部坐标同时平移，不会改变各间隙比例，可作为额外的机制检查。
实际IsolationForest还涉及特征抽样、样本子集、树高限制、叶内剩余样本修正与异常分数归一。这里的完整单点树不等同于某个库的默认配置，因此不报告软件异常分数，也不把1.236111直接当成异常概率。
容易被孤立只是统计上的不寻常信号。它可能来自故障，也可能来自合法的稀有状态；特征表示和业务场景都会影响意义。先用小算例理解切分机制，再在真实任务里检查告警内容与阈值，不能让一条短路径直接代替结论。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立程序复核，未进行真实模型训练或效果测试。
