gebeurtenis
17 mrt, 21 - 21 mrt, 10
Neem deel aan de meetup-serie om schaalbare AI-oplossingen te bouwen op basis van praktijkgebruiksvoorbeelden met collega-ontwikkelaars en experts.
Nu registrerenProcedure: De Anomaly Detector-univariate-API gebruiken voor uw tijdreeksgegevens
Belangrijk
Vanaf 20 september 2023 kunt u geen nieuwe Anomaly Detector-resources maken. De Anomaly Detector-service wordt op 1 oktober 2026 buiten gebruik gesteld.
De Anomaly Detector-API biedt twee methoden voor anomaliedetectie. U kunt afwijkingen detecteren als een batch in uw tijdreeks of wanneer uw gegevens worden gegenereerd door de anomaliestatus van het meest recente gegevenspunt te detecteren. Het detectiemodel retourneert anomalieresultaten, samen met de verwachte waarde van elk gegevenspunt en de boven- en ondergrens voor anomaliedetectie. u kunt deze waarden gebruiken om het bereik van normale waarden en afwijkingen in de gegevens te visualiseren.
De Anomaly Detector-API biedt detectiemodi: batch en streaming.
Notitie
De volgende aanvraag-URL's moeten worden gecombineerd met het juiste eindpunt voor uw abonnement. Bijvoorbeeld: https://<your-custom-subdomain>.api.cognitive.microsoft.com/anomalydetector/v1.0/timeseries/entire/detect
Als u afwijkingen in een batch met gegevenspunten gedurende een bepaald tijdsbereik wilt detecteren, gebruikt u de volgende aanvraag-URI met uw tijdreeksgegevens:
/timeseries/entire/detect.
Door uw tijdreeksgegevens tegelijk te verzenden, genereert de API een model met behulp van de hele reeks en analyseert u elk gegevenspunt ermee.
Als u continu afwijkingen op streaminggegevens wilt detecteren, gebruikt u de volgende aanvraag-URI met uw meest recente gegevenspunt:
/timeseries/last/detect.
Door nieuwe gegevenspunten te verzenden terwijl u ze genereert, kunt u uw gegevens in realtime bewaken. Er wordt een model gegenereerd met de gegevenspunten die u verzendt en de API bepaalt of het laatste punt in de tijdreeks een anomalie is.
Standaard worden de boven- en ondergrenzen voor anomaliedetectie berekend met behulp van expectedValue, upperMarginen lowerMargin. Als u andere grenzen nodig hebt, raden we u aan een marginScale of lowerMarginupperMargin . De grenzen worden als volgt berekend:
| Grens | Berekening |
|---|---|
upperBoundary |
expectedValue + (100 - marginScale) * upperMargin |
lowerBoundary |
expectedValue - (100 - marginScale) * lowerMargin |
In de volgende voorbeelden ziet u een Anomaly Detector-API-resultaat bij verschillende gevoeligheiden.
