Detección de anomalías
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
- Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
- Más información sobre Azure Machine Learning.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Nota
Solo se aplica a: Machine Learning Studio (clásico)
Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.
En este artículo se presentan los módulos proporcionados en Machine Learning Studio (clásico) para la detección de anomalías. La detección de anomalías engloba muchas tareas importantes de aprendizaje automático:
- La identificación de transacciones potencialmente fraudulentas.
- El aprendizaje de patrones que indican que se ha producido una intrusión de red.
- La búsqueda de clústeres anómalos de pacientes.
- La comprobación de los valores especificados en un sistema.
Dado que las anomalías son eventos excepcionales por definición, puede ser difícil recopilar una muestra representativa de datos que usar en el modelado. Los algoritmos que se incluyen en esta categoría se han diseñado especialmente para abordar los principales desafíos de compilar y entrenar modelos mediante el uso de conjuntos de datos desequilibrados.
Módulos de detección de anomalías
Machine Learning Studio (clásico) proporciona los siguientes módulos que puede usar para crear un modelo de detección de anomalías. Simplemente arrastre el módulo al experimento para empezar a trabajar con el modelo.
Después de establecer los parámetros del modelo, debe entrenar el modelo mediante un conjunto de datos etiquetado y el módulo de entrenamiento Entrenar modelo de detección de anomalías. El resultado es un modelo entrenado que puede usar para probar nuevos datos. Para ello, use el módulo Score Model (Puntuar modelo ) de uso general.
Para obtener un ejemplo de cómo funcionan conjuntamente estos módulos, consulte el experimento Anomaly Detection: Credit Risk (Detección de anomalías: riesgo de crédito) en Cortana Intelligence Gallery.
Tareas relacionadas
Detección de anomalías de serie temporal es un módulo nuevo que es un poco diferente de los otros modelos de detección de anomalías. El módulo de detección de anomalías de serie temporal está diseñado para datos de serie temporal. Está pensado para usarse para analizar tendencias a lo largo del tiempo. El algoritmo identifica tendencias potencialmente anómalas en los datos de serie temporal. Marca las desviaciones de la dirección o magnitud de la tendencia.
Azure también proporciona la Machine Learning Api de detección de anomalías, a la que puede llamar como un servicio web.
Lista de módulos
La categoría Detección de anomalías incluye los módulos siguientes:
- Máquina de vectores de soporte de una clase: crea un modelo de máquina de vectores de soporte de una clase para la detección de anomalías.
- Detección de anomalías basada en PCA: crea un modelo de detección de anomalías mediante el análisis de componentes principales.