SsaSpikeEstimator Klasse

Definition

Namespace:

Microsoft.ML.Transforms.TimeSeries

Assembly:

Microsoft.ML.TimeSeries.dll

Paket:

Microsoft.ML.TimeSeries v5.0.0-preview.1.25125.4

Quelle:

SsaSpikeDetector.cs

Erkennen von Spitzen in Zeitreihen mithilfe der Singular Spectrum Analysis.

C#

public sealed class SsaSpikeEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaSpikeDetector>

Vererbung

Object

SsaSpikeEstimator

Implementiert

IEstimator<SsaSpikeDetector>

Hinweise

Verwenden Sie "DetectSpikeBySsa", 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?	Yes
Eingabespaltendatentyp	Single
Ausgabespaltendatentyp	3-Elementvektor von Double
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.

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 $\text{Missing argument for frac}${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)	Trainieren und zurückgeben Sie einen Transformator.
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.

Gilt für:

Weitere Informationen

• DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)