# Isolation Forest

> Detectar patrones de sesión inusuales (outliers) indicativos de fraude con Isolation Forest

- Skill: `davidcastagnetoa/isolation-forest` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add davidcastagnetoa/isolation-forest`
- Raw SKILL.md: https://api.skillmd.com/api/skills/davidcastagnetoa/isolation-forest/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: davidcastagnetoa (https://skillmd.com/u/davidcastagnetoa)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/davidcastagnetoa/isolation-forest

---


# isolation_forest

Isolation Forest es un algoritmo de detección de anomalías no supervisado. Detecta sesiones que presentan una combinación inusual de características que difiere del comportamiento legítimo normal.

## When to use

Usar sobre el vector de características de cada sesión como capa adicional de detección de fraude.

## Instructions

1. Instalar: `pip install scikit-learn`.
2. Definir el vector de características de sesión: `[liveness_time, challenge_completion_time, score_liveness, score_face_match, retry_count, device_age_days, ip_geolocation_match, ...]`.
3. Entrenar el modelo con sesiones legítimas históricas: `clf = IsolationForest(n_estimators=100, contamination=0.01, random_state=42)`. `clf.fit(legitimate_sessions_matrix)`.
4. Predecir anomalía: `anomaly_score = clf.decision_function([current_session_features])`.
5. Score negativo = más anómalo; umbral típico: `score < -0.1` → sospechoso.
6. Serializar modelo: `joblib.dump(clf, 'isolation_forest.pkl')`.
7. Reentrenar periódicamente (semanal/mensual) con nuevos datos.

## Notes

- El modelo mejora significativamente con más datos históricos; iniciar con umbrales conservadores.
- Combinar con reglas deterministas (hard rules) para mayor robustez.