IidSpikeEstimator Clase
Definición
Importante
Parte de la información hace referencia a la versión preliminar del producto, que puede haberse modificado sustancialmente antes de lanzar la versión definitiva. Microsoft no otorga ninguna garantía, explícita o implícita, con respecto a la información proporcionada aquí.
Detecte un pico de señal en una serie temporal distribuida de forma independiente (i.i.d.) basada en la estimación de densidad del kernel adaptable.
public sealed class IidSpikeEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.TimeSeries.IidSpikeDetector>type IidSpikeEstimator = class
inherit TrivialEstimator<IidSpikeDetector>Public NotInheritable Class IidSpikeEstimator
Inherits TrivialEstimator(Of IidSpikeDetector)- Herencia
Comentarios
Para crear este estimador, use DetectIidSpike.
Columnas de entrada y salida
Solo hay una columna de entrada. La columna de entrada debe ser Single donde un Single valor indica un valor en una marca de tiempo de la serie temporal.
Genera una columna que es un vector con 3 elementos. El vector de salida contiene secuencialmente el nivel de alerta (un valor distinto de cero significa un punto de cambio), la puntuación y el valor p.
Características del estimador
| ¿Este estimador necesita examinar los datos para entrenar sus parámetros? | No |
| Tipo de datos de columna de entrada | Single |
| Tipo de datos de columna de salida | Vector de 3 elementos deDouble |
| Exportable a ONNX | No |
Características del estimador
| Tarea de Machine Learning | Detección de anomalías |
| ¿Se requiere normalización? | No |
| ¿Se requiere el almacenamiento en caché? | No |
| NuGet necesario además de Microsoft.ML | Microsoft.ML.TimeSeries |
Detalles del algoritmo de entrenamiento
En este instructor se supone que los puntos de datos recopilados en la serie temporal se muestrean de forma independiente de la misma distribución (independiente distribuida de forma idéntica). Por lo tanto, el valor en la marca de tiempo actual se puede ver como el valor en la siguiente marca de tiempo en expectativa. Si el valor observado en la marca de tiempo $t-1$ es $p$, el valor previsto en $t$ marca de tiempo también sería $p$ .
Anomaly Scorer
Una vez calculada la puntuación sin procesar en una marca de tiempo, se alimenta al componente de puntuación de anomalías para calcular la puntuación final de anomalías en esa marca de tiempo.
Detección de picos basada en p-value
La puntuación p-value indica si el punto actual es un valor atípico (también conocido como pico). Cuanto menor sea su valor, más probable es que sea un pico. La puntuación p-value siempre está en $[0, 1]$.
Esta puntuación es el valor p de la puntuación sin procesar calculada actual según una distribución de puntuaciones sin procesar. Aquí, la distribución se calcula en función de los valores de puntuación sin procesar más recientes hasta cierta profundidad en el historial. Más concretamente, esta distribución se calcula mediante la estimación de densidad del kernel con los kernels gaussianos de ancho de banda adaptable.
Si la puntuación de valor p supera los $1 - \frac{\text{confidence}}{100}$, la marca de tiempo asociada puede obtener un valor de alerta distinto de cero en la detección de picos, lo que significa que se detecta un punto de pico. Tenga en cuenta que $\text{confidence}$ se define en las firmas de DetectIidSpike y DetectSpikeBySsa.
Consulte la sección Consulte también los vínculos a ejemplos de uso.
Métodos
| Fit(IDataView) |
Detecte un pico de señal en una serie temporal distribuida de forma independiente (i.i.d.) basada en la estimación de densidad del kernel adaptable. (Heredado de TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Propagación de esquemas para transformadores. Devuelve el esquema de salida de los datos, si el esquema de entrada es similar al proporcionado. |
Métodos de extensión
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de bajada se entrenarán con datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) . A menudo, es importante que un estimador devuelva información sobre lo que cabe, por lo que el Fit(IDataView) método devuelve un objeto con tipo específico, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador se enterró en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit. |