Condividi tramite


AnomalyDetectionCatalog Classe

Definizione

Classe usata da MLContext per creare istanze di componenti di rilevamento anomalie, ad esempio i trainer e gli analizzatori.

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase
type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase
Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase
Ereditarietà
AnomalyDetectionCatalog

Proprietà

Trainers

Elenco dei formatori per il rilevamento anomalie.

Metodi

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)

Crea un nuovo oggetto AnomalyPredictionTransformer<TModel> con l'oggetto threshold specificato. Se il valore specificato threshold è uguale alla model soglia, restituisce modelsemplicemente . Si noti che per impostazione predefinita la soglia è 0,5 e i punteggi validi sono compresi tra 0 e 1.

Evaluate(IDataView, String, String, String, Int32)

Valuta i dati di rilevamento anomalie.

Metodi di estensione

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)

Creare Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, che rileva le anomalie dei tempi per l'intero input usando l'algoritmo SRCNN.

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)

Creare Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, che rileva le anomalie dei tempi per l'intero input usando l'algoritmo SRCNN.

DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)

Nei dati delle serie temporali, la stagionalità (o la periodicità) è la presenza di variazioni che si verificano a intervalli regolari specifici, ad esempio settimanali, mensili o trimestrali.

Questo metodo rileva questo intervallo prevedibile (o periodo) adottando tecniche di analisi più quattro. Supponendo che i valori di input abbiano lo stesso intervallo di tempo (ad esempio, i dati del sensore raccolti ogni secondo ordinato dai timestamp), questo metodo accetta un elenco di dati della serie temporale e restituisce il periodo regolare per i dati stagionali di input, se è possibile trovare una fluttuazione prevedibile o un modello che si ripete in questo periodo nei valori di input.

Restituisce -1 se non viene trovato alcun criterio di questo tipo, ovvero i valori di input non seguono una fluttuazione stagionale.

LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Creare RootCause, che localizza le cause radice usando l'algoritmo dell'albero delle decisioni.

LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Restituisce un elenco ordinato di RootCauses. L'ordine corrisponde a quale causa preparata è più probabile che sia la causa radice.

Si applica a