Entrenamiento de un modelo de detección de anomalías

  • Artículo

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.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

Entrena un modelo de detección de anomalías en un conjunto de entrenamiento

Categoría: Machine Learning/ Entrenar

Nota:

Solo se aplica a: Machine Learning Studio (clásico)

Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.

Información general sobre el módulo

En este artículo se describe cómo usar el módulo Entrenar modelo de detección de anomalías Machine Learning para crear un modelo de detección de anomalías entrenado.

El módulo toma como entrada un conjunto de parámetros de modelo para el modelo de detección de anomalías, como el generado por el módulo One-Class Support Vector Machine y un conjunto de datos sin etiquetar. Devuelve un modelo de detección de anomalías entrenado junto con un conjunto de etiquetas para los datos de entrenamiento.

Para obtener más información sobre los algoritmos de detección de anomalías proporcionados Machine Learning, consulte estos temas:

Configuración del entrenamiento de un modelo de detección de anomalías

  1. Agregue el módulo Train Anomaly Detection Model (Entrenar modelo de detección de anomalías) al experimento en Studio (clásico). Puede encontrar el módulo en Machine Learning, en la categoría Entrenar.

  2. Conectar uno de los módulos diseñados para la detección de anomalías, como la detección de anomalías basada en PCA o la máquina de vectores de compatibilidad de una clase.

    No se admiten otros tipos de modelos; Al ejecutar el experimento, recibirá el error: Todos los modelos deben tener el mismo tipo de aprendiz.

  3. Para configurar el módulo de detección de anomalías, elija la columna de etiqueta y establezca otros parámetros específicos para el algoritmo.

  4. Adjunte un conjunto de datos de entrenamiento a la entrada derecha de Train Anomaly Detection Model (Entrenar modelo de detección de anomalías).

  5. Ejecute el experimento.

Results

Una vez completado el entrenamiento:

  • Para ver los parámetros del modelo, haga clic con el botón derecho en el módulo y seleccione Visualizar.

  • Para crear predicciones, use Puntuar modelo con nuevos datos de entrada.

  • Para guardar una instantánea del modelo entrenado, haga clic con el botón derecho en la salida Del modelo entrenado y seleccione Guardar como.

Ejemplos

Para obtener un ejemplo de cómo se implementa la detección de anomalías en Machine Learning, consulte el Azure AI Gallery:

  • Detección de fraudes en línea: proporciona un tutorial detallado de un escenario de detección de anomalías, incluido cómo diseñar características e interpretar los resultados de un algoritmo.

  • Detección de anomalías: riesgo de crédito: muestra cómo usar los módulos Máquina de vectores de soporte de una clase y Detección de anomalías basada en PCA para la detección de fraudes.

Entradas esperadas

Nombre Tipo Descripción
Modelo no entrenado Interfaz ILearner Modelo de detección de anomalías sin entrenar
Dataset Tabla de datos Origen de datos de entrada

Salidas

Nombre Tipo Descripción
Modelo entrenado Interfaz ILearner Modelo de detección de anomalías entrenado

Excepciones

Excepción Descripción
Error 0003 Se produce una excepción si una o varias de las entradas son NULL o están vacías.

Para obtener una lista de errores específicos de los módulos de Studio (clásico), consulte Machine Learning códigos de error.

Para obtener una lista de excepciones de API, consulte Machine Learning códigos de error de la API REST.

Consulte también

Entrenar
Detección de anomalías