SsaChangePointEstimator Kelas
Definisi
Penting
Beberapa informasi terkait produk prarilis yang dapat diubah secara signifikan sebelum dirilis. Microsoft tidak memberikan jaminan, tersirat maupun tersurat, sehubungan dengan informasi yang diberikan di sini.
Mendeteksi titik perubahan dalam rangkaian waktu menggunakan Analisis Spektrum Tunggal.
public sealed class SsaChangePointEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaChangePointDetector>type SsaChangePointEstimator = class
interface IEstimator<SsaChangePointDetector>Public NotInheritable Class SsaChangePointEstimator
Implements IEstimator(Of SsaChangePointDetector)- Warisan
-
SsaChangePointEstimator
- Penerapan
Keterangan
Untuk membuat estimator ini, gunakan DetectChangePointBySsa
Kolom Input dan Output
Hanya ada satu kolom input. Kolom input harus berada di Single tempat Single nilai menunjukkan nilai pada tanda waktu dalam rangkaian waktu.
Ini menghasilkan kolom yang merupakan vektor dengan 4 elemen. Vektor output secara berurutan berisi tingkat pemberitahuan (nilai bukan nol berarti titik perubahan), skor, nilai p, dan nilai martingale.
Karakteristik Estimator
| Apakah estimator ini perlu melihat data untuk melatih parameternya? | Ya |
| Jenis data kolom input | Single |
| Jenis data kolom output | Vektor 4 elemen dariDouble |
| Dapat diekspor ke ONNX | Tidak |
Karakteristik Estimator
| Tugas pembelajaran mesin | Deteksi anomali |
| Apakah normalisasi diperlukan? | Tidak |
| Apakah penembolokan diperlukan? | Tidak |
| NuGet yang diperlukan selain Microsoft.ML | Microsoft.ML.TimeSeries |
Detail Algoritma Pelatihan
Kelas ini mengimplementasikan transformasi deteksi anomali umum berdasarkan Analisis Spektrum Tunggal (SSA). SSA adalah kerangka kerja yang kuat untuk menguraikan rangkaian waktu menjadi komponen tren, musiman, dan kebisingan serta memperkirakan nilai masa depan dari rangkaian waktu. Pada prinsipnya, SSA melakukan analisis spektral pada rangkaian waktu input di mana setiap komponen dalam spektrum sesuai dengan komponen tren, musiman atau kebisingan dalam rangkaian waktu. Untuk detail Analisis Spektrum Tunggal (SSA), lihat dokumen ini.
Anomaly Scorer
Setelah skor mentah pada tanda waktu dihitung, itu diumpankan ke komponen skor anomali untuk menghitung skor anomali akhir pada tanda waktu tersebut. Ada dua statistik yang terlibat dalam skor ini, nilai p dan skor martingale.
Skor nilai P
Skor p-value menunjukkan nilai p dari skor mentah komputasi saat ini sesuai dengan distribusi skor mentah. Di sini, distribusi diperkirakan berdasarkan nilai skor mentah terbaru hingga kedalaman tertentu dalam riwayat. Lebih khusus lagi, distribusi ini diperkirakan menggunakan estimasi kepadatan kernel dengan kernel Gaussian bandwidth adaptif. Skor p-value selalu dalam $[0, 1]$, dan semakin rendah nilainya, semakin besar kemungkinan titik saat ini adalah outlier (juga dikenal sebagai lonjakan).
Deteksi titik perubahan berdasarkan skor martingale
Skor martingale adalah tingkat penilaian ekstra yang dibangun di atas skor p-value. Ide ini didasarkan pada Exchangeability Martingales yang mendeteksi perubahan distribusi melalui aliran nilai i.i.d. Singkatnya, nilai skor martingale mulai meningkat secara signifikan ketika urutan nilai p kecil terdeteksi berturut-turut; ini menunjukkan perubahan distribusi proses pembuatan data yang mendasar. Dengan demikian, skor martingale digunakan untuk deteksi titik perubahan. Mengingat urutan nilai p yang terakhir diamati, $p 1, \titik, p_n$, skor martingale dihitung sebagai:? $s(p1, \dots, p_n) = \prod_{i=1}^n \beta(p_i)$. Ada dua pilihan $\beta$: $\beta(p) = e p^{\epsilon - 1}$ seharga $0 < \epsilon < 1$ atau $\beta(p) = \int_{0}^1 \epsilon p^{\epsilon - 1} d\epsilon$.
Jika skor martingle melebihi $s(q_1, \dots, q_n)$ di mana $q_i=1 - \frac{\text{confidence}}{100}$, tanda waktu terkait mungkin mendapatkan nilai pemberitahuan bukan nol untuk deteksi titik perubahan. Perhatikan bahwa $\text{confidence}$ ditentukan dalam tanda tangan DetectChangePointBySsa atau DetectIidChangePoint.
Periksa bagian Lihat Juga untuk tautan ke contoh penggunaan.
Metode
| Fit(IDataView) |
Latih dan kembalikan transformator. |
| GetOutputSchema(SchemaShape) |
Penyebaran skema untuk transformator. Mengembalikan skema output data, jika skema input seperti yang disediakan. |
Metode Ekstensi
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tambahkan 'titik pemeriksaan penembolokan' ke rantai estimator. Ini akan memastikan bahwa estimator hilir akan dilatih terhadap data cache. Sangat membantu untuk memiliki titik pemeriksaan penembolokan sebelum pelatih yang mengambil beberapa data berlalu. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Mengingat estimator, kembalikan objek pembungkus yang akan memanggil delegasi setelah Fit(IDataView) dipanggil. Seringkali penting bagi estimator untuk mengembalikan informasi tentang apa yang cocok, itulah sebabnya Fit(IDataView) metode mengembalikan objek yang ditik secara khusus, bukan hanya umum ITransformer. Namun, pada saat yang sama, IEstimator<TTransformer> sering dibentuk menjadi alur dengan banyak objek, jadi kita mungkin perlu membangun rantai estimator melalui EstimatorChain<TLastTransformer> tempat estimator yang ingin kita dapatkan transformator dikubur di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah pas dipanggil. |