SsaSpikeEstimator 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 lonjakan dalam rangkaian waktu menggunakan Analisis Spektrum Tunggal.
public sealed class SsaSpikeEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaSpikeDetector>
type SsaSpikeEstimator = class
interface IEstimator<SsaSpikeDetector>
Public NotInheritable Class SsaSpikeEstimator
Implements IEstimator(Of SsaSpikeDetector)
- Warisan
-
SsaSpikeEstimator
- Penerapan
Keterangan
Untuk membuat estimator ini, gunakan DetectSpikeBySsa
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 3 elemen. Vektor output secara berurutan berisi tingkat pemberitahuan (nilai bukan nol berarti titik perubahan), skor, dan nilai p.
Karakteristik Estimator
Apakah estimator ini perlu melihat data untuk melatih parameternya? | Ya |
Jenis data kolom input | Single |
Jenis data kolom output | Vektor 3 elemen dari Double |
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 Singular Spectrum Analysis (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.
Skor Anomali
Setelah skor mentah pada tanda waktu dihitung, skor diumpankan ke komponen skor anomali untuk menghitung skor anomali akhir pada tanda waktu tersebut.
Deteksi lonjakan berdasarkan p-value
Skor p-value menunjukkan apakah titik saat ini adalah outlier (juga dikenal sebagai lonjakan). Semakin rendah nilainya, semakin besar kemungkinannya adalah lonjakan. Skor p-value selalu dalam $[0, 1]$.
Skor ini adalah 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 kembali dalam riwayat. Lebih khusus lagi, distribusi ini diperkirakan menggunakan estimasi kepadatan kernel dengan kernel Gaussia bandwidth adaptif.
Jika skor p-value melebihi $1 - \frac{\text{confidence}}{100}$, tanda waktu terkait mungkin mendapatkan nilai pemberitahuan bukan nol dalam deteksi lonjakan, yang berarti titik lonjakan terdeteksi. Perhatikan bahwa $\text{confidence}$ ditentukan dalam tanda tangan DetectIidSpike dan DetectSpikeBySsa.
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 di ketik 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> di mana estimator yang ingin kita dapatkan transformator dimakamkan di suatu tempat dalam rantai ini. Untuk skenario itu, kita dapat melalui metode ini melampirkan delegasi yang akan dipanggil setelah fit dipanggil. |