AnomalyDetectionCatalog Kelas

Definisi

Ruang nama:

Microsoft.ML

Rakitan:

Microsoft.ML.Data.dll

Paket:

Microsoft.ML v2.0.0

Kelas yang digunakan oleh MLContext untuk membuat instans komponen deteksi anomali, seperti pelatih dan evaluator.

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase

type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase

Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase

Warisan

Object

TrainCatalogBase

AnomalyDetectionCatalog

Properti

Trainers

Daftar pelatih untuk deteksi anomali.

Metode

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)	Membuat baru AnomalyPredictionTransformer<TModel> dengan yang ditentukan threshold. Jika yang disediakan threshold sama model dengan ambang batas, itu hanya mengembalikan model. Perhatikan bahwa secara default ambang adalah 0,5 dan skor yang valid berkisar dari 0 hingga 1.
Evaluate(IDataView, String, String, String, Int32)	Mengevaluasi data deteksi anomali dengan skor.

Metode Ekstensi

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	Buat Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, yang mendeteksi anomali timeseries untuk seluruh input menggunakan algoritma SRCNN.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	Buat Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, yang mendeteksi anomali timeseries untuk seluruh input menggunakan algoritma SRCNN.
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	Dalam data rangkaian waktu, musiman (atau periodisitas) adalah adanya variasi yang terjadi pada interval reguler tertentu, seperti mingguan, bulanan, atau triwulanan. Metode ini mendeteksi interval (atau periode) yang dapat diprediksi ini dengan mengadopsi teknik analisis fourier. Dengan asumsi nilai input memiliki interval waktu yang sama (misalnya, data sensor yang dikumpulkan pada setiap detik yang diurutkan berdasarkan tanda waktu), metode ini mengambil daftar data rangkaian waktu, dan mengembalikan periode reguler untuk data musiman input, jika fluktuasi atau pola yang dapat diprediksi dapat ditemukan yang berulang atau berulang selama periode ini di seluruh nilai input. Mengembalikan -1 jika tidak ada pola seperti itu yang ditemukan, artinya, nilai input tidak mengikuti fluktuasi musiman.
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Buat RootCause, yang melokalisasi akar penyebab menggunakan algoritma pohon keputusan.
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Menghasilkan daftar RootCauseyang diurutkan. Pesanan sesuai dengan penyebab yang disiapkan kemungkinan besar menjadi akar penyebabnya.