Compartir a través de


AnomalyDetectionCatalog Clase

Definición

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
AnomalyDetectionCatalog

Propiedades

Trainers

Lista de instructores para la detección de anomalías.

Métodos

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)

Crea un nuevo AnomalyPredictionTransformer<TModel> con el threshold especificado. 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 van de 0 a 1.

Evaluate(IDataView, String, String, String, Int32)

Evalúa los datos de detección de anomalías puntuados.

Métodos de extensión

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)

Cree Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, que detecta anomalías de series de tiempo para toda la entrada mediante el algoritmo SRCNN.

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)

Cree Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, que detecta anomalías de series de tiempo para toda la entrada mediante el algoritmo SRCNN.

DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)

En los datos de series temporales, la estacionalidad (o periodicidad) es la presencia de variaciones que se producen a intervalos regulares específicos, como semanal, mensual o trimestral.

Este método detecta este intervalo de predicción (o período) mediante la adopción de técnicas de análisis de fourier. Suponiendo que los valores de entrada tienen 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 o un patrón predecibles que se repiten o repiten 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.

Se aplica a