AnomalyDetectionCatalog Classe

Définition

Espace de noms:

Microsoft.ML

Assembly:

Microsoft.ML.Data.dll

Paquet:

Microsoft.ML v2.0.0

Classe utilisée pour MLContext créer des instances de composants de détection d’anomalie, tels que des formateurs et des évaluateurs.

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase

type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase

Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase

Héritage

Object

TrainCatalogBase

AnomalyDetectionCatalog

Propriétés

Trainers

Liste des formateurs pour la détection d’anomalies.

Méthodes

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)	Crée un nouveau AnomalyPredictionTransformer<TModel> avec le threshold spécifié. Si le paramètre fourni threshold est identique au model seuil qu’il retourne modelsimplement . Notez que par défaut, le seuil est de 0,5 et les scores valides varient de 0 à 1.
Evaluate(IDataView, String, String, String, Int32)	Évalue les données de détection des anomalies notées.

Méthodes d’extension

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	Créez Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, qui détecte les anomalies de série chronologique pour l’entrée entière à l’aide de l’algorithme SRCNN.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	Créez Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, qui détecte les anomalies de série chronologique pour l’entrée entière à l’aide de l’algorithme SRCNN.
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	Dans les données de série chronologique, la saisonnalité (ou la périodicité) est la présence de variations qui se produisent à des intervalles réguliers spécifiques, tels que hebdomadaire, mensuel ou trimestriel. Cette méthode détecte cet intervalle prévisible (ou période) en adoptant des techniques d’analyse fourier. En supposant que les valeurs d’entrée ont le même intervalle de temps (par exemple, les données de capteur collectées à chaque seconde triées par horodatage), cette méthode prend une liste de données de série chronologique et retourne la période régulière pour les données saisonnières d’entrée, si une fluctuation ou un modèle prévisible peut être trouvé qui se répète ou récurse sur cette période tout au long des valeurs d’entrée. Retourne -1 si aucun modèle de ce type n’est trouvé, autrement dit, les valeurs d’entrée ne suivent pas de fluctuation saisonnière.
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Créez RootCause, qui localise les causes racines à l’aide de l’algorithme d’arbre de décision.
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Génère une liste triée de RootCauses. L’ordre correspond à la cause préparée la plus susceptible d’être la cause racine.