Détection des anomalies
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
cet article présente les modules fournis dans Machine Learning Studio (classic) pour la détection des anomalies. La détection d’anomalie englobe de nombreuses tâches importantes pour l’apprentissage automatique :
- Identification des transactions potentiellement frauduleuses.
- Modèles d’apprentissage signalant une intrusion sur le réseau.
- Recherche de clusters anormaux de patients.
- Vérification des valeurs entrées dans un système.
Les anomalies constituant, par définition, des événements rares, il peut être difficile de recueillir un échantillon représentatif des données à utiliser pour la modélisation. Les algorithmes inclus dans cette catégorie ont été spécialement conçus pour relever les défis de base qu’impliquent la création et l’apprentissage des modèles à l’aide de jeux de données déséquilibrés.
Modules de détection des anomalies
Machine Learning Studio (classic) fournit les modules suivants, que vous pouvez utiliser pour créer un modèle de détection d’anomalies. Il vous suffit de faire glisser le module dans votre expérience pour commencer à travailler avec le modèle.
- Machine à vecteurs de support à une classe
- Détection des anomalies basée sur l'analyse en composantes principales (ACP)
Après avoir défini les paramètres du modèle, vous devez effectuer l’apprentissage du modèle à l’aide d’un jeu de données étiqueté et du module apprentissage du modèle de détection d’anomalies . Le résultat est un modèle formé que vous pouvez utiliser pour tester de nouvelles données. Pour ce faire, utilisez le module All-Purpose score Model .
pour obtenir un exemple de la façon dont ces modules fonctionnent ensemble, consultez l’expérience détection des anomalies : crédit-risque dans le Cortana Intelligence Gallery.
Tâches associées
La détection des anomalies de série chronologique est un nouveau module qui est un peu différent des autres modèles de détection d’anomalies. Le module de détection des anomalies de la série chronologique est conçu pour les données de série chronologique. Il est conçu pour utiliser pour analyser les tendances au fil du temps. L’algorithme identifie les tendances potentiellement anormales dans les données de la série chronologique. Il signale les écarts par rapport à la direction ou à l’amplitude de la tendance.
Azure fournit également l' API de détection des anomalies Machine Learning, que vous pouvez appeler en tant que service web.
Liste des modules
La catégorie détection des anomalies comprend les modules suivants :
- Machine à vecteurs de support à une classe: crée un modèle de machine à vecteurs de support à une classe pour la détection d’anomalie.
- Détection des anomalies basée sur PCA: crée un modèle de détection d’anomalie à l’aide de l’analyse du composant principal.