Freigeben über


SsaForecastingEstimator Klasse

Definition

Prognosen mithilfe der Singular-Spektrumanalyse.

public sealed class SsaForecastingEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaForecastingTransformer>
type SsaForecastingEstimator = class
    interface IEstimator<SsaForecastingTransformer>
Public NotInheritable Class SsaForecastingEstimator
Implements IEstimator(Of SsaForecastingTransformer)
Vererbung
SsaForecastingEstimator
Implementiert

Hinweise

Verwenden Sie "ForecastBySsa", 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.

Sie erzeugt entweder nur einen Vektor von prognostizierten Werten oder drei Vektoren: einen Vektor von prognostizierten Werten, einen Vektor der Konfidenzuntergrenzen und einen Vektor der Konfidenzobergrenzen.

Stimatoreigenschaften

Muss dieser Schätzer die Daten untersuchen, um seine Parameter zu trainieren? Yes
Eingabespaltendatentyp Single
Ausgabespaltendatentyp Vektor von Single
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

Diese Klasse implementiert die allgemeine Anomalieerkennungstransformation basierend auf Singular Spectrum Analysis (SSA). SSA ist ein leistungsstarkes Framework für die Zerlegung der Zeitreihe in Trend- und Saisonalitätskomponenten sowie die Prognose der zukünftigen Werte der Zeitreihe. Im Prinzip führt SSA die Spektralanalyse für die Eingabezeitreihe aus, bei der jede Komponente im Spektrum einer Trend-, Saison- oder Rauschkomponente in der Zeitreihe entspricht. Ausführliche Informationen zur Singular Spectrum Analysis (SSA) finden Sie in diesem Dokument.

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

Methoden

Fit(IDataView)

Trainieren und zurückgeben Sie einen Transformator.

GetOutputSchema(SchemaShape)

Schemaverteilung für Transformatoren. Gibt das Ausgabeschema der Daten zurück, wenn das Eingabeschema wie die bereitgestellte ist. Erstellt drei Ausgabespalten, wenn Konfidenzintervalle andernfalls nur eine angefordert werden.

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.

Gilt für:

Weitere Informationen