Freigeben über


AnomalyDetectionCatalog Klasse

Definition

Klasse, die verwendet MLContext wird, um Instanzen von Anomalieerkennungskomponenten wie Trainern und Bewertungskomponenten zu erstellen.

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase
type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase
Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase
Vererbung
AnomalyDetectionCatalog

Eigenschaften

Trainers

Die Liste der Trainer für die Anomalieerkennung.

Methoden

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)

Erstellt einen neuen AnomalyPredictionTransformer<TModel> mit dem angegebenen threshold. Wenn die bereitgestellte threshold Eigenschaft gleich dem model Schwellenwert ist, gibt er einfach zurück model. Beachten Sie, dass der Schwellenwert standardmäßig 0,5 und gültige Bewertungen zwischen 0 und 1 liegen.

Evaluate(IDataView, String, String, String, Int32)

Bewertete Daten zur Anomalieerkennung.

Erweiterungsmethoden

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)

Erstellen Sie Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, die Zeitserienanomalien für gesamte Eingaben mithilfe des SRCNN-Algorithmus erkennt.

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)

Erstellen Sie Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, die Zeitserienanomalien für gesamte Eingaben mithilfe des SRCNN-Algorithmus erkennt.

DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)

In Zeitreihendaten ist die Saisonalität (oder regelmäßigkeit) die Anwesenheit von Variationen, die in bestimmten regelmäßigen Abständen auftreten, z. B. wöchentlich, monatlich oder vierteljährlich.

Diese Methode erkennt dieses vorhersagbare Intervall (oder zeitraum) durch Die Annahme von Techniken der Fourieranalyse. Vorausgesetzt, die Eingabewerte haben das gleiche Zeitintervall (z. B. Sensordaten, die bei jedem zweiten nach Zeitstempeln gesammelt werden), nimmt diese Methode eine Liste der Zeitreihendaten und gibt den regulären Zeitraum für die Eingabesaisondaten zurück, wenn eine vorhersehbare Schwankung oder ein Muster gefunden werden kann, dass die Werte in diesem Zeitraum rekursiv oder wiederholt werden.

Gibt -1 zurück, wenn kein solches Muster gefunden wird, das heißt, die Eingabewerte folgen keine saisonalen Schwankungen.

LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Erstellen Sie RootCause, welche Stammursachen mithilfe des Entscheidungsstrukturalgorithmus lokalisiert werden.

LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Gibt eine sortierte Liste von RootCauses aus. Die Reihenfolge entspricht der vorbereiteten Ursache am wahrscheinlichsten der Stammursache.

Gilt für: