AnomalyDetectionCatalog Clase

Definición

Espacio de nombres:

Microsoft.ML

Ensamblado:

Microsoft.ML.Data.dll

Paquete:

Microsoft.ML v5.0.0-preview.1.25125.4

Source:

TrainCatalog.cs

Clase usada por MLContext para crear instancias de componentes de detección de anomalías, como instructores y evaluadores.

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase

type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase

Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase

Herencia

Object

TrainCatalogBase

AnomalyDetectionCatalog

Propiedades

Nombre	Description
Trainers	Lista de instructores para la detección de anomalías.

Métodos

Nombre	Description
ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)	Crea un nuevo AnomalyPredictionTransformer<TModel> objeto con el especificado threshold. Si el proporcionado threshold es el mismo que el model umbral, simplemente devuelve model. Tenga en cuenta que, de forma predeterminada, el umbral es 0,5 y las puntuaciones válidas oscilan entre 0 y 1.
Evaluate(IDataView, String, String, String, Int32)	Evalúa los datos de detección de anomalías puntuados.

Métodos de extensión

Nombre	Description
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	Cree Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, que detecta anomalías de timeseries para toda la entrada mediante el algoritmo SRCNN.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	Cree Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, que detecta anomalías de timeseries para toda la entrada mediante el algoritmo SRCNN.
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	En los datos de series temporales, la estacionalidad (o la periodicidad) es la presencia de variaciones que se producen a intervalos regulares específicos, como semanal, mensual o trimestral. Este método detecta este intervalo predecible (o período) mediante la adopción de técnicas de análisis de fourier. Suponiendo que los valores de entrada tengan el mismo intervalo de tiempo (por ejemplo, los datos del sensor recopilados en cada segundo ordenados por marcas de tiempo), este método toma una lista de datos de serie temporal y devuelve el período regular para los datos estacionales de entrada, si se puede encontrar una fluctuación predecible o un patrón que se repite durante este período durante los valores de entrada. Devuelve -1 si no se encuentra este patrón, es decir, los valores de entrada no siguen una fluctuación estacional.
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Cree RootCause, que localiza las causas principales mediante el algoritmo de árbol de decisión.
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Genera una lista ordenada de RootCauses. El orden corresponde al que es más probable que la causa preparada sea la causa principal.