Erkennung von Anomalien
Wichtig
Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.
Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.
- Siehe Migrieren zu Azure Machine Learning
- Weitere Informationen zu Azure Machine Learning.
Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.
Hinweis
Gilt nur für: Machine Learning Studio (klassisch)
Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.
In diesem Artikel werden die Module vorgestellt, die in Machine Learning Studio (klassisch) für die Anomalieerkennung bereitgestellt werden. Die Anomalieerkennung umfasst viele wichtige Machine Learning-Aufgaben:
- Identifizieren potenziell betrügerischer Transaktionen.
- Erlernen von Mustern, die anzeigen, dass der Versuch unternommen wurde, in das Netzwerk einzudringen.
- Finden anomaler Patientencluster.
- Überprüfen von Werten, die in ein System eingegeben werden.
Da Anomalien laut Definition selten sind, kann es schwierig sein, eine repräsentative Stichprobe von Daten zu sammeln, die für die Modellierung verwendet werden können. Die Algorithmen, die zu dieser Kategorie gehören, wurden insbesondere daraufhin konzipiert, den wesentlichen Herausforderungen beim Erstellen und Trainieren von Modellen mithilfe von unausgeglichenen Datasets gerecht zu werden.
Anomalieerkennungsmodule
Machine Learning Studio (klassisch) stellt die folgenden Module bereit, die Sie zum Erstellen eines Anomalieerkennungsmodells verwenden können. Ziehen Sie einfach das Modul in Ihr Experiment, um mit der Arbeit mit dem Modell zu beginnen.
Nach dem Festlegen von Modellparametern müssen Sie das Modell mithilfe eines bezeichneten Datasets und des Trainingsmoduls Train Anomaly Detection Model trainieren. Das Ergebnis ist ein trainiertes Modell, mit dem Sie neue Daten testen können. Verwenden Sie hierzu das Modul Allzweckbewertungsmodell .
Ein Beispiel für die Zusammenarbeit dieser Module finden Sie im Experiment Anomalieerkennung: Kreditrisiko im Cortana Intelligence-Katalog.
Zugehörige Aufgaben
Die Time Series-Anomalieerkennung ist ein neues Modul, das sich etwas von den anderen Anomalieerkennungsmodellen unterscheidet. Das Modul Time Series Anomaly Detection ist für Zeitreihendaten konzipiert. Es soll verwendet werden, um Trends im Laufe der Zeit zu analysieren. Der Algorithmus identifiziert potenziell anomale Trends in den Zeitreihendaten. Es kennzeichnet Abweichungen von der Richtung oder Größe des Trends.
Azure bietet auch die Machine Learning Anomalieerkennungs-API, die Sie als Webdienst aufrufen können.
Liste der Module
Die Kategorie Anomalieerkennung umfasst die folgenden Module:
- One-Class Support Vector Machine: Erstellt ein einklassiges Support vector machine-Modell für die Anomalieerkennung.
- PCA-basierte Anomalieerkennung: Erstellt ein Anomalieerkennungsmodell mithilfe der Prinzipalkomponentenanalyse.