孤立森林（Isolation Forest）是一種用於異常檢測的機器學習算法。
這種算法的核心思想是「異常點是容易被孤立的離群點」。在孤立森林中，「孤立」指的是將異常點從所有樣本中孤立出來。算法通過隨機選擇特徵和隨機選擇特徵的分割值來遞歸地生成數據集的分區，與數據集中「正常」的點相比，異常值所需的隨機分區更少。因此，異常數據點的樹路徑更短，在孤立森林中的樹不需要太大的深度，所以可以用更小的max_depth值，從而降低記憶體需求。
孤立森林不僅適用於大數據集，也適用於小數據集，並且具有線性時間複雜度，這使得它在處理大數據時速度較快。這種算法在多個領域有廣泛套用，如網路安全、金融交易欺詐檢測、疾病偵測和噪聲數據過濾（數據清洗）等。