Latih Model Deteksi Anomali
Penting
Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.
Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.
- Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Melatih model deteksi anomali pada satu set pelatihan
Kategori: Pembelajaran Mesin / Kereta Api
Catatan
Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja
Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.
Ringkasan Modul
Artikel ini menjelaskan cara menggunakan modul Train Anomaly Detection Model di Pembelajaran Mesin untuk membuat model deteksi anomali yang terlatih.
Modul mengambil sebagai input satu set parameter model untuk model deteksi anomali, seperti yang dihasilkan oleh modul One-Class Support Vector Machine , dan dataset tanpa label. Modul ini mengembalikan model deteksi anomali terlatih, beserta sekumpulan label untuk data pelatihan.
Untuk informasi selengkapnya tentang algoritme deteksi anomali yang disediakan dalam Pembelajaran Mesin, lihat topik berikut:
Cara mengonfigurasi Latih Model Deteksi Anomali
Tambahkan modul Train Anomaly Detection Model ke eksperimen Anda di Studio (klasik). Anda dapat menemukan modul di bawah Pembelajaran Mesin, dalam kategori Train.
Koneksi salah satu modul yang dirancang untuk deteksi anomali, seperti Deteksi Anomali Berbasis PCA atau Mesin Vektor Dukungan Satu Kelas.
Jenis model lain tidak didukung; saat menjalankan eksperimen, Anda akan mendapatkan kesalahan: Semua model harus memiliki jenis pelajar yang sama.
Konfigurasikan modul deteksi anomali dengan memilih kolom label dan mengatur parameter lain khusus untuk algoritma.
Lampirkan himpunan data pelatihan ke input kanan Train Anomaly Detection Model.
Jalankan eksperimen.
Hasil
Setelah pelatihan selesai:
Untuk melihat parameter model, klik kanan modul dan pilih Visualisasikan.
Untuk membuat prediksi, gunakan Model Skor dengan data input baru.
Untuk menyimpan snapshot dari model terlatih, klik kanan output Model Terlatih , dan pilih Simpan Sebagai.
Contoh
Untuk contoh bagaimana deteksi anomali diterapkan di Pembelajaran Mesin, lihat Galeri AI Azure:
Deteksi Penipuan Online: Menyediakan panduan terperinci tentang skenario deteksi anomali, termasuk cara merekayasa fitur dan menafsirkan hasil algoritma.
Deteksi Anomali: Risiko Kredit: Mengilustrasikan cara menggunakan Mesin Vektor Dukungan Satu Kelas dan modul Deteksi Anomali Berbasis PCA untuk deteksi penipuan.
Input yang diharapkan
| Nama | Jenis | Deskripsi |
|---|---|---|
| Model tak terlatih | Antarmuka ILearner | Model deteksi anomali yang tidak terlatih |
| Himpunan Data | Tabel Data | Masukkan sumber data |
Output
| Nama | Jenis | Deskripsi |
|---|---|---|
| Model terlatih | Antarmuka ILearner | Model deteksi anomali terlatih |
Pengecualian
| Pengecualian | Deskripsi |
|---|---|
| Kesalahan 0003 | Pengecualian terjadi jika satu atau beberapa input null atau kosong. |
Untuk daftar kesalahan khusus untuk modul Studio (klasik), lihat Pembelajaran Mesin Kode kesalahan.
Untuk daftar pengecualian API, lihat Pembelajaran Mesin Kode Kesalahan REST API.