IidSpikeEstimator Klasse

Definition

Namespace:

Microsoft.ML.Transforms.TimeSeries

Assembly:

Microsoft.ML.TimeSeries.dll

Paket:

Microsoft.ML.TimeSeries v3.0.1

Erkennen Sie eine Signalspitze auf einer unabhängigen identisch verteilten (i.i.d.) Zeitreihe basierend auf der adaptiven Kerneldichteschätzung.

public sealed class IidSpikeEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.TimeSeries.IidSpikeDetector>

type IidSpikeEstimator = class
    inherit TrivialEstimator<IidSpikeDetector>

Public NotInheritable Class IidSpikeEstimator
Inherits TrivialEstimator(Of IidSpikeDetector)

Vererbung

Object

TrivialEstimator<IidSpikeDetector>

IidSpikeEstimator

Hinweise

Verwenden Sie "DetectIidSpike", um diese Schätzung zu erstellen.

Eingabe- und Ausgabespalten

Es gibt nur eine Eingabespalte. Die Eingabespalte muss sein Single , in der ein Single Wert einen Wert im Zeitstempel in der Zeitreihe angibt.

Es erzeugt eine Spalte, die ein Vektor mit 3 Elementen ist. Der Ausgabevektor enthält sequenzielle Warnungsebene (kein Nullwert bedeutet einen Änderungspunkt), eine Bewertung und einen P-Wert.

Stimatoreigenschaften

Muss dieser Schätzer die Daten untersuchen, um seine Parameter zu trainieren?	No
Eingabespaltendatentyp	Single
Ausgabespaltendatentyp	3-Elementvektor vonDouble
Exportierbar in ONNX	No

Stimatoreigenschaften

ML-Aufgabe	Anomalieerkennung
Ist normalisierung erforderlich?	No
Ist zwischenspeichern erforderlich?	No
Erforderliches NuGet zusätzlich zu Microsoft.ML	Microsoft.ML.TimeSeries

Details des Schulungsalgorithmus

Dieser Trainer geht davon aus, dass datenpunkte, die in der Zeitreihe gesammelt werden, unabhängig von derselben Verteilung (unabhängig identisch verteilt) abgesampt werden. Daher kann der Wert im aktuellen Zeitstempel als Wert im nächsten Zeitstempel in Erwartung betrachtet werden. Wenn der beobachtete Wert beim Zeitstempel $t-1$ $p$ ist, würde der prognostizierte Wert bei $t$ Zeitstempel ebenfalls $p$ sein.

Anomaliebewertung

Sobald die rohe Bewertung zu einem Zeitstempel berechnet wurde, wird sie zur Anomaliebewertungskomponente gefüttert, um die endgültige Anomaliebewertung zu diesem Zeitpunkt zu berechnen.

Spitzenerkennung basierend auf p-Wert

Die P-Wertbewertung gibt an, ob der aktuelle Punkt ein Ausreißer ist (auch als Spitzen bezeichnet). Je niedriger sein Wert ist, desto wahrscheinlicher ist es ein Spitzenwert. Die P-Wertbewertung ist immer in $[0, 1]$.

Diese Bewertung ist der P-Wert der aktuellen berechneten Rohbewertung gemäß einer Verteilung von Rohergebnissen. Hier wird die Verteilung basierend auf den neuesten Rohbewertungswerten bis zu einer bestimmten Tiefe zurück in der Geschichte geschätzt. Genauer gesagt wird diese Verteilung mit der Kerneldichteschätzung mit den gaussischen Kerneln der adaptiven Bandbreite geschätzt.

Wenn die P-Wertbewertung $1 - \frac{\text{konfidenz}}${100}überschreitet, erhält der zugeordnete Zeitstempel möglicherweise einen Nicht-Null-Warnungswert bei der Spitzenerkennung, was bedeutet, dass ein Spitzenpunkt erkannt wird. Beachten Sie, dass $\text{confidence}$ in den Signaturen von DetectIidSpike und DetectSpikeBySsa definiert ist.

Überprüfen Sie den Abschnitt "Siehe auch", um Links zu Verwendungsbeispielen zu finden.

Methoden

Fit(IDataView)	Erkennen Sie eine Signalspitze auf einer unabhängigen identisch verteilten (i.i.d.) Zeitreihe basierend auf der adaptiven Kerneldichteschätzung. (Geerbt von TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Schemaverteilung für Transformatoren. Gibt das Ausgabeschema der Daten zurück, wenn das Eingabeschema wie die bereitgestellte ist.

Erweiterungsmethoden

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Fügen Sie einen "Zwischenspeicherungsprüfpunkt" an die Schätzkette an. Dadurch wird sichergestellt, dass die nachgelagerten Schätzer anhand zwischengespeicherter Daten trainiert werden. Es ist hilfreich, einen Cache-Prüfpunkt vor Trainern zu haben, die mehrere Datendurchläufe übernehmen.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Wenn sie eine Schätzung erhalten, geben Sie ein Umbruchobjekt zurück, das einen Delegaten aufruft, sobald Fit(IDataView) er aufgerufen wird. Es ist häufig wichtig, dass ein Schätzer Informationen darüber zurückgibt, was passt, weshalb die Fit(IDataView) Methode ein speziell typiertes Objekt zurückgibt, anstatt nur ein allgemeines ITransformerObjekt zurückzugeben. IEstimator<TTransformer> Gleichzeitig werden jedoch häufig Pipelines mit vielen Objekten gebildet, daher müssen wir möglicherweise eine Kette von Schätzern erstellen, über EstimatorChain<TLastTransformer> die der Schätzer, für den wir den Transformator erhalten möchten, irgendwo in dieser Kette begraben wird. Für dieses Szenario können wir über diese Methode eine Stellvertretung anfügen, die aufgerufen wird, sobald sie aufgerufen wird.

Weitere Informationen

• DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)