AnomalyDetectorClient Klasse
Die Anomalieerkennung-API erkennt Anomalien automatisch in Zeitreihendaten. Es unterstützt zwei Arten von Modus, eine für zustandslose Verwendung, eine für zustandsbehaftete Verwendung. Im zustandslosen Modus gibt es drei Funktionen. Die gesamte Erkennung dient zum Erkennen der gesamten Datenreihe mit einem Modell, das von der Zeitreihe trainiert wird. Bei letzter Erkennung wird der letzte Punkt erkannt, wobei das Modell nach Punkten vortrainiert wurde. ChangePoint Detect dient zum Erkennen von Trendänderungen in Zeitreihen. Im zustandsbehafteten Modus kann der Benutzer Zeitreihen speichern. Die gespeicherte Zeitreihe wird für die Erkennung von Anomalien verwendet. In diesem Modus kann der Benutzer weiterhin die oben genannten drei Funktionen verwenden, indem er nur einen Zeitbereich angibt, ohne zeitreihenseitig vorzubereiten. Neben den oben genannten drei Funktionen bietet das zustandsbehaftete Modell auch einen gruppenbasierten Erkennungs- und Bezeichnungsdienst. Durch die Nutzung des Bezeichnungsdiensts können Benutzer Bezeichnungen für jedes Erkennungsergebnis bereitstellen. Diese Bezeichnungen werden zum Erneuten Optimieren oder Generieren von Erkennungsmodellen verwendet. Bei der Inkonsistenzerkennung handelt es sich um eine Art gruppenbasierte Erkennung, bei dieser Erkennung werden Inkonsistenzen in einer Reihe von Zeitreihen gefunden. Mithilfe des Anomalieerkennungsdiensts können Geschäftskunden Vorfälle erkennen und einen Logikfluss für die Ursachenanalyse einrichten.
- Vererbung
-
azure.ai.anomalydetector._operations._operations.AnomalyDetectorClientOperationsMixinAnomalyDetectorClient
Konstruktor
AnomalyDetectorClient(endpoint: str, credential: AzureKeyCredential, **kwargs: Any)
Parameter
- endpoint
- str
Unterstützte Cognitive Services-Endpunkte (Protokoll und Hostname, z. B. ). https://westus2.api.cognitive.microsoft.com Erforderlich.
- credential
- AzureKeyCredential
Anmeldeinformationen, die für den Client zum Herstellen einer Verbindung mit Azure erforderlich sind. Erforderlich.
- api_version
- str
API-Version. Der Standardwert ist "v1.1". Beachten Sie, dass das Überschreiben dieses Standardwerts zu einem nicht unterstützten Verhalten führen kann.
Methoden
close | |
delete_multivariate_model |
Löschen Sie das multivariate Modell. Löschen Sie ein bestehendes multivariates Modell entsprechend der „modelId“. |
detect_multivariate_batch_anomaly |
Erkennen sie eine multivariate Anomalie. Übermitteln Sie multivariate Anomalieerkennungsaufgabe mit der modelId der trainierten Modell- und Rückschlussdaten. Das Eingabeschema sollte mit der Trainingsanforderung identisch sein. Die Anforderung wird asynchron abgeschlossen und gibt eine resultId zurück, um das Erkennungsergebnis abzufragen. Die Anforderung sollte ein Quelllink sein, um einen extern zugänglichen Azure Storage-URI anzugeben, der entweder auf einen Azure Blob Storage-Ordner verweist oder auf eine CSV-Datei in Azure Blob Storage verweist. |
detect_multivariate_last_anomaly |
Erkennen sie Anomalien am letzten Punkt des Anforderungstexts. Übermitteln Sie multivariate Anomalieerkennungsaufgabe mit der modelId der trainierten Modell- und Rückschlussdaten, und die Rückschlussdaten sollten in einem JSON-Format in den Anforderungstext eingefügt werden. Die Anforderung wird synchron abgeschlossen und gibt die Erkennung sofort im Antworttext zurück. |
detect_univariate_change_point |
Erkennen sie den Änderungspunkt für die gesamte Reihe. Bewerten Sie die Änderungspunktbewertung jedes Reihenpunkts. |
detect_univariate_entire_series |
Erkennen sie Anomalien für die gesamte Reihe im Batch. Dieser Vorgang generiert ein Modell mit einer ganzen Reihe, wobei jeder Punkt mit demselben Modell erkannt wird. Bei dieser Methode werden Punkte vor und nach einem bestimmten Punkt verwendet, um zu ermitteln, ob es sich um eine Anomalie handelt. Die gesamte Erkennung kann dem Benutzer eine gesamt status der Zeitreihe geben. |
detect_univariate_last_point |
Erkennen Sie Anomalien status der neuesten Zeitpunktreihen. Dieser Vorgang generiert ein Modell unter Verwendung der Punkte, die Sie an die API gesendet haben, und basierend auf allen Daten, um zu bestimmen, ob der letzte Punkt anomale Punkte ist. |
get_multivariate_batch_detection_result |
Abrufen des Multivariate-Anomalieerkennungsergebnisses. Rufen Sie für asynchrone Rückschlüsse multivariate Anomalieerkennungsergebnisse basierend auf resultId ab, die von der BatchDetectAnomaly-API zurückgegeben wird. |
get_multivariate_model |
Rufen Sie ein multivariates Modell ab. Ruft ausführliche Informationen zum multivariaten Modell ab, einschließlich Trainingsstatus und der im Modell verwendeten Variablen. |
list_multivariate_models |
Listen Sie multivariate Modelle auf. Auflisten von Modellen einer Ressource. |
send_request |
Führt die Netzwerkanforderung über die verketteten Richtlinien des Clients aus.
Weitere Informationen zu diesem Codeflow finden Sie unter https://aka.ms/azsdk/dpcodegen/python/send_request |
train_multivariate_model |
Trainieren eines multivariaten Anomalieerkennungsmodells. Erstellt und trainiert ein Modell für die Erkennung multivariater Anomalien. Die Anforderung muss einen Quellparameter enthalten, um einen extern zugänglichen Azure Blob Storage-URI anzugeben. Es gibt zwei Arten von Dateneingaben: Ein URI, der auf einen Azure Blob Storage-Ordner verweist, der mehrere CSV-Dateien enthält, und jede CSV-Datei enthält zwei Spalten: Timestamp und Variable. Eine andere Art von Eingabe ist ein URI, der auf eine CSV-Datei in Azure Blob Storage verweist, die alle Variablen und eine Zeitstempelspalte enthält. |
close
close() -> None
delete_multivariate_model
Löschen Sie das multivariate Modell.
Löschen Sie ein bestehendes multivariates Modell entsprechend der „modelId“.
delete_multivariate_model(model_id: str, **kwargs: Any) -> None
Parameter
Gibt zurück
Keine
Rückgabetyp
Ausnahmen
detect_multivariate_batch_anomaly
Erkennen sie eine multivariate Anomalie.
Übermitteln Sie multivariate Anomalieerkennungsaufgabe mit der modelId der trainierten Modell- und Rückschlussdaten. Das Eingabeschema sollte mit der Trainingsanforderung identisch sein. Die Anforderung wird asynchron abgeschlossen und gibt eine resultId zurück, um das Erkennungsergebnis abzufragen. Die Anforderung sollte ein Quelllink sein, um einen extern zugänglichen Azure Storage-URI anzugeben, der entweder auf einen Azure Blob Storage-Ordner verweist oder auf eine CSV-Datei in Azure Blob Storage verweist.
detect_multivariate_batch_anomaly(model_id: str, options: MultivariateBatchDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateDetectionResult
Parameter
- options
- MultivariateBatchDetectionOptions oder <xref:JSON> oder IO
Anforderung der Erkennung multivariater Anomalien. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.
- content_type
- str
Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.
Gibt zurück
MultivariateDetectionResult. MultivariateDetectionResult ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
detect_multivariate_last_anomaly
Erkennen sie Anomalien am letzten Punkt des Anforderungstexts.
Übermitteln Sie multivariate Anomalieerkennungsaufgabe mit der modelId der trainierten Modell- und Rückschlussdaten, und die Rückschlussdaten sollten in einem JSON-Format in den Anforderungstext eingefügt werden. Die Anforderung wird synchron abgeschlossen und gibt die Erkennung sofort im Antworttext zurück.
detect_multivariate_last_anomaly(model_id: str, options: MultivariateLastDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateLastDetectionResult
Parameter
- options
- MultivariateLastDetectionOptions oder <xref:JSON> oder IO
Anforderung der letzten Erkennung. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.
- content_type
- str
Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.
Gibt zurück
MultivariateLastDetectionResult. MultivariateLastDetectionResult ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
detect_univariate_change_point
Erkennen sie den Änderungspunkt für die gesamte Reihe.
Bewerten Sie die Änderungspunktbewertung jedes Reihenpunkts.
detect_univariate_change_point(options: UnivariateChangePointDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateChangePointDetectionResult
Parameter
- options
- UnivariateChangePointDetectionOptions oder <xref:JSON> oder IO
Methode der univariaten Anomalieerkennung. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.
- content_type
- str
Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.
Gibt zurück
UnivariateChangePointDetectionResult. UnivariateChangePointDetectionResult ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
detect_univariate_entire_series
Erkennen sie Anomalien für die gesamte Reihe im Batch.
Dieser Vorgang generiert ein Modell mit einer ganzen Reihe, wobei jeder Punkt mit demselben Modell erkannt wird. Bei dieser Methode werden Punkte vor und nach einem bestimmten Punkt verwendet, um zu ermitteln, ob es sich um eine Anomalie handelt. Die gesamte Erkennung kann dem Benutzer eine gesamt status der Zeitreihe geben.
detect_univariate_entire_series(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateEntireDetectionResult
Parameter
- options
- UnivariateDetectionOptions oder <xref:JSON> oder IO
Methode der univariaten Anomalieerkennung. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.
- content_type
- str
Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.
Gibt zurück
UnivariateEntireDetectionResult. UnivariateEntireDetectionResult ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
detect_univariate_last_point
Erkennen Sie Anomalien status der neuesten Zeitpunktreihen.
Dieser Vorgang generiert ein Modell unter Verwendung der Punkte, die Sie an die API gesendet haben, und basierend auf allen Daten, um zu bestimmen, ob der letzte Punkt anomale Punkte ist.
detect_univariate_last_point(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateLastDetectionResult
Parameter
- options
- UnivariateDetectionOptions oder <xref:JSON> oder IO
Methode der univariaten Anomalieerkennung. Ist einer der folgenden Typen: Modell, JSON, E/A erforderlich.
- content_type
- str
Textparameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.
Gibt zurück
UnivariateLastDetectionResult. UnivariateLastDetectionResult ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
get_multivariate_batch_detection_result
Abrufen des Multivariate-Anomalieerkennungsergebnisses.
Rufen Sie für asynchrone Rückschlüsse multivariate Anomalieerkennungsergebnisse basierend auf resultId ab, die von der BatchDetectAnomaly-API zurückgegeben wird.
get_multivariate_batch_detection_result(result_id: str, **kwargs: Any) -> MultivariateDetectionResult
Parameter
Gibt zurück
MultivariateDetectionResult. MultivariateDetectionResult ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
get_multivariate_model
Rufen Sie ein multivariates Modell ab.
Ruft ausführliche Informationen zum multivariaten Modell ab, einschließlich Trainingsstatus und der im Modell verwendeten Variablen.
get_multivariate_model(model_id: str, **kwargs: Any) -> AnomalyDetectionModel
Parameter
Gibt zurück
AnomalyDetectionModel. Das AnomalyDetectionModel ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
list_multivariate_models
Listen Sie multivariate Modelle auf.
Auflisten von Modellen einer Ressource.
list_multivariate_models(*, skip: int | None = None, top: int | None = None, **kwargs: Any) -> Iterable[AnomalyDetectionModel]
Parameter
- skip
- int
Skip gibt an, wie viele Modelle übersprungen werden. Der Standardwert ist Keine.
- top
- int
Oben gibt an, wie viele Modelle abgerufen werden. Der Standardwert ist Keine.
Gibt zurück
Ein Iterator wie instance von AnomalyDetectionModel. Das AnomalyDetectionModel ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
send_request
Führt die Netzwerkanforderung über die verketteten Richtlinien des Clients aus.
>>> from azure.core.rest import HttpRequest
>>> request = HttpRequest("GET", "https://www.example.org/")
<HttpRequest [GET], url: 'https://www.example.org/'>
>>> response = client.send_request(request)
<HttpResponse: 200 OK>
Weitere Informationen zu diesem Codeflow finden Sie unter https://aka.ms/azsdk/dpcodegen/python/send_request
send_request(request: HttpRequest, **kwargs: Any) -> HttpResponse
Parameter
- stream
- bool
Gibt an, ob die Antwortnutzlast gestreamt wird. Der Standardwert lautet „False“.
Gibt zurück
Die Antwort Ihres Netzwerkaufrufs. Führt keine Fehlerbehandlung für Ihre Antwort durch.
Rückgabetyp
train_multivariate_model
Trainieren eines multivariaten Anomalieerkennungsmodells.
Erstellt und trainiert ein Modell für die Erkennung multivariater Anomalien. Die Anforderung muss einen Quellparameter enthalten, um einen extern zugänglichen Azure Blob Storage-URI anzugeben. Es gibt zwei Arten von Dateneingaben: Ein URI, der auf einen Azure Blob Storage-Ordner verweist, der mehrere CSV-Dateien enthält, und jede CSV-Datei enthält zwei Spalten: Timestamp und Variable. Eine andere Art von Eingabe ist ein URI, der auf eine CSV-Datei in Azure Blob Storage verweist, die alle Variablen und eine Zeitstempelspalte enthält.
train_multivariate_model(model_info: ModelInfo | MutableMapping[str, Any] | IO, **kwargs: Any) -> AnomalyDetectionModel
Parameter
Modellinformationen. Ist einer der folgenden Typen: Model, JSON, E/A Erforderlich.
- content_type
- str
Body-Parameter Content-Type. Bekannte Werte sind: application/json. Der Standardwert ist Keine.
Gibt zurück
AnomalyDetectionModel. Das AnomalyDetectionModel ist mit MutableMapping kompatibel.
Rückgabetyp
Ausnahmen
Azure SDK for Python
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für