Rendellenességek észlelése
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
Ez a cikk bemutatja a Machine Learning Studio (klasszikus) moduljait az anomáliadetektáláshoz. Az anomáliadetektálás a gépi tanulás számos fontos feladatát magában foglalja:
- A potenciálisan csalárd tranzakciók azonosítása.
- Tanulás mintákat, amelyek hálózati behatolásra utalnak.
- Páciensek rendellenes fürtök keresése.
- A rendszerbe bevitt értékek ellenőrzése.
Mivel az anomáliák definíció szerint ritkán fordulnak elő, nehéz lehet reprezentatív mintaadatokat gyűjteni a modellezéshez. Az ebbe a kategóriába tartozó algoritmusokat kifejezetten arra tervezték, hogy a kiegyensúlyozatlan adatkészletek használatával megszabják a modellek építésével és betanításával kapcsolatos fő kihívásokat.
Anomáliadetektálási modulok
Machine Learning Studio (klasszikus) a következő modulokat biztosítja, amelyek segítségével anomáliadetektálási modellt hozhat létre. Csak húzza a modult a kísérletbe a modell használatával való munka megkezdéséhez.
A modellparaméterek beállítása után a modellt egy címkézett adatkészlet és az Anomáliadetektálási modell betanítása modul használatával kell betanítanunk. Az eredmény egy betanított modell, amely új adatok tesztelésére használható. Ehhez használja az all-purpose Score Model (Modell pontozása) modult .
A modulok együttes használatával egy példát az Anomaly Detection: Credit Risk (Anomáliadetektálás: Hitelkockázat) kísérletben láthat a Cortana Intelligence Galleryben.
Kapcsolódó feladatok
A Time Series Anomaly Detection egy új modul, amely kissé eltér a többi anomáliadetektálási modelltől. A Time Series Anomaly Detection modul idősorozat-adatokhoz lett tervezve. A rendeltetése az idő trendjeinek elemzése. Az algoritmus azonosítja az idősorozat-adatok potenciálisan rendellenes trendjeit. A trend irányának vagy nagyságrendjének eltérését jelzi.
Az Azure biztosítja az Machine Learning Anomaly Detection API-t is, amelyet webszolgáltatásként hívhat meg.
Modulok listája
Az Anomáliadetektálás kategória a következő modulokat tartalmazza:
- Egyosztályos támogatóvektor-gép: Egyosztályos támogatóvektor-gépmodellt hoz létre az anomáliadetektáláshoz.
- PCA-alapú anomáliadetektálás: Anomáliadetektálási modellt hoz létre az elsődleges összetevő-elemzés használatával.