SsaForecastingEstimator Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Prévisions utilisant l’analyse du spectre singulier.
public sealed class SsaForecastingEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaForecastingTransformer>type SsaForecastingEstimator = class
interface IEstimator<SsaForecastingTransformer>Public NotInheritable Class SsaForecastingEstimator
Implements IEstimator(Of SsaForecastingTransformer)- Héritage
-
SsaForecastingEstimator
- Implémente
Remarques
Pour créer cet estimateur, utilisez ForecastBySsa
Colonnes d’entrée et de sortie
Il n’existe qu’une seule colonne d’entrée. La colonne d’entrée doit être Single l’endroit où une Single valeur indique une valeur à un horodatage dans la série chronologique.
Il produit un seul vecteur de valeurs prévues ou trois vecteurs : un vecteur de valeurs prévues, un vecteur de limites inférieures de confiance et un vecteur de limites supérieures de confiance.
Caractéristiques de l’estimateur
| Cet estimateur doit-il examiner les données pour entraîner ses paramètres ? | Oui |
| Type de données de colonne d’entrée | Single |
| Type de données de colonne de sortie | Vecteur de Single |
| Exportable vers ONNX | Non |
Caractéristiques de l’estimateur
| Tâche d’apprentissage automatique | Détection des anomalies |
| La normalisation est-elle nécessaire ? | Non |
| La mise en cache est-elle requise ? | Non |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.TimeSeries |
Détails de l’algorithme d’apprentissage
Cette classe implémente la transformation de détection d’anomalie générale basée sur l’analyse du spectre singulier (SSA). SSA est une infrastructure puissante pour décomposer les séries chronologiques en composants de tendance, de saisonnalité et de bruit, ainsi que de prévoir les valeurs futures de la série chronologique. En principe, SSA effectue une analyse spectre sur la série chronologique d’entrée où chaque composant du spectre correspond à une tendance, saisonnière ou sonore dans la série chronologique. Pour plus d’informations sur l’analyse du spectre singulier (SSA), reportez-vous à ce document.
Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.
Méthodes
| Fit(IDataView) |
Entraîner et retourner un transformateur. |
| GetOutputSchema(SchemaShape) |
Propagation de schéma pour les transformateurs. Retourne le schéma de sortie des données, si le schéma d’entrée est semblable à celui fourni. Crée trois colonnes de sortie si des intervalles de confiance sont demandés dans le cas contraire. |
Méthodes d’extension
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Étant donné un estimateur, retournez un objet de création de package de restrictions qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important qu’un estimateur retourne des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets. Nous pouvons donc avoir besoin de créer une chaîne d’estimateurs par EstimatorChain<TLastTransformer> le biais de laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé. |