TimeSeriesCatalog Classe

Définition

Espace de noms:

Microsoft.ML

Assembly:

Microsoft.ML.TimeSeries.dll

Paquet:

Microsoft.ML.TimeSeries v2.0.0

public static class TimeSeriesCatalog

type TimeSeriesCatalog = class

Public Module TimeSeriesCatalog

Héritage

Object

TimeSeriesCatalog

Méthodes

DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Créez SrCnnAnomalyEstimator, qui détecte les anomalies de série chronologique à l’aide de l’algorithme SRCNN.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	CréezSsaChangePointEstimator, qui prédit les points de modification dans les séries chronologiques à l’aide de l’analyse SSA (Singular Spectrum Analysis).
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Obsolète. CréezSsaChangePointEstimator, qui prédit les points de modification dans les séries chronologiques à l’aide de l’analyse SSA (Singular Spectrum Analysis).
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.
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.
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Créez IidChangePointEstimator, qui prédit les points de modification dans une série chronologique distribuée de manière indépendante (i.i.d.) basée sur des estimations de densité de noyau adaptatives et des scores martingale.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Obsolète. Créez IidChangePointEstimator, qui prédit les points de modification dans une série chronologique distribuée de manière indépendante (i.i.d.) basée sur des estimations de densité de noyau adaptatives et des scores martingale.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Créez IidSpikeEstimator, qui prédit des pics dans des séries chronologiques distribuées de manière indépendante (i.i.d.) basées sur des estimations de densité de noyau adaptatives et des scores martingale.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Obsolète. Créez IidSpikeEstimator, qui prédit des pics dans des séries chronologiques distribuées de manière indépendante (i.i.d.) basées sur des estimations de densité de noyau adaptatives et des scores martingale.
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.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	CréezSsaSpikeEstimator, qui prédit les pics de série chronologique à l’aide de l’analyse du spectre unique (SSA).
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Obsolète. CréezSsaSpikeEstimator, qui prédit les pics de série chronologique à l’aide de l’analyse du spectre unique (SSA).
ForecastBySsa(ForecastingCatalog, String, String, Int32, Int32, Int32, Int32, Boolean, Single, RankSelectionMethod, Nullable<Int32>, Nullable<Int32>, Boolean, Boolean, Nullable<GrowthRatio>, String, String, Single, Boolean)	Modèle SSA (Singular Spectrum Analysis) pour la prévision de série chronologique univariée. Pour plus d’informations sur le modèle, reportez-vous à http://arxiv.org/pdf/1206.6910.pdf.
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.