다음을 통해 공유


AnomalyDetectionCatalog 클래스

정의

트레이너 및 평가자와 같은 변칙 검색 구성 요소의 인스턴스를 만드는 데 사용되는 MLContext 클래스입니다.

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

속성

Trainers

변칙 검색을 위한 트레이너 목록입니다.

메서드

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

지정된 AnomalyPredictionTransformer<TModel>로 새 threshold을 만듭니다. 제공된 threshold 값이 임계값과 같 model 으면 단순히 반환합니다 model. 기본적으로 임계값은 0.5이고 유효한 점수 범위는 0에서 1까지입니다.

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

점수가 매칭된 변칙 검색 데이터를 평가합니다.

확장 메서드

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

만들기 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector- SRCNN 알고리즘을 사용하여 전체 입력에 대한 시간 변칙을 검색합니다.

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

만들기 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector- SRCNN 알고리즘을 사용하여 전체 입력에 대한 시간 변칙을 검색합니다.

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

시계열 데이터에서 계절성(또는 주기성)은 매주, 매월 또는 분기별와 같은 특정 정기적인 간격으로 발생하는 변형의 존재입니다.

이 메서드는 푸리에 분석 기술을 채택하여 예측 가능한 간격(또는 마침표)을 검색합니다. 입력 값이 동일한 시간 간격(예: 타임스탬프별로 매 초마다 수집되는 센서 데이터)을 갖는 경우 이 메서드는 시계열 데이터 목록을 사용하고 입력 계절 데이터의 정규 기간을 반환합니다. 예측 가능한 변동 또는 패턴이 입력 값 전체에서 이 기간 동안 재귀하거나 반복되는 것을 발견할 수 있는 경우.

이러한 패턴이 없으면 -1을 반환합니다. 즉, 입력 값이 계절적 변동을 따르지 않습니다.

LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

만들기 RootCause- 의사 결정 트리 알고리즘을 사용하여 근본 원인을 지역화합니다.

LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

정렬된 s 목록을 RootCause출력합니다. 순서는 준비된 원인이 근본 원인이 될 가능성이 가장 높은 순서에 해당합니다.

적용 대상