Anomaliedetectie
Belangrijk
De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.
Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.
- Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
- Meer informatie over Azure Machine Learning.
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
Notitie
Van toepassing op: Machine Learning Studio (klassiek)
Vergelijkbare modules voor slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.
In dit artikel worden de modules in Machine Learning Studio (klassiek) voor anomaliedetectie beschreven. Anomaliedetectie omvat veel belangrijke taken in machine learning:
- Het identificeren van transacties die mogelijk frauduleus zijn.
- Learning patronen die aangeven dat er een netwerkindringing heeft plaatsgevonden.
- Abnormale clusters van patiënten zoeken.
- Waarden controleren die in een systeem zijn ingevoerd.
Omdat afwijkingen per definitie zeldzame gebeurtenissen zijn, kan het lastig zijn om een representatieve steekproef van gegevens te verzamelen om te gebruiken voor modellering. De algoritmen die in deze categorie zijn opgenomen, zijn met name ontworpen om de belangrijkste uitdagingen van het bouwen en trainen van modellen aan te pakken door gebruik te maken van onevenwichtige gegevenssets.
Anomaliedetectiemodules
Machine Learning Studio (klassiek) biedt de volgende modules die u kunt gebruiken om een anomaliedetectiemodel te maken. Sleep de module naar uw experiment om aan de slag te gaan met het model.
Nadat u modelparameters hebt ingesteld, moet u het model trainen met behulp van een gelabelde gegevensset en de trainingsmodule Anomaliedetectiemodel trainen. Het resultaat is een getraind model dat u kunt gebruiken om nieuwe gegevens te testen. Gebruik hiervoor de module Score Model voor alle doeleinden.
Zie het experiment Anomaly Detection: Credit Risk in de Cortana Intelligence Gallery voor een voorbeeld van hoe deze modules samenwerken.
Gerelateerde taken
Time Series Anomaly Detection is een nieuwe module die iets verschilt van de andere anomaliedetectiemodellen. De module Time Series Anomaly Detection is ontworpen voor tijdreeksgegevens. Het is bedoeld om trends in de toekomst te analyseren. Het algoritme identificeert mogelijk afwijkende trends in de tijdreeksgegevens. Het markeert afwijkingen van de richting of magnitude van de trend.
Azure biedt ook de Machine Learning Anomaliedetectie-API, die u kunt aanroepen als een webservice.
Lijst met modules
De categorie Anomaliedetectie omvat de volgende modules:
- One-Class Support Vector Machine: hiermee maakt u een one-class support vector machine-model voor anomaliedetectie.
- Op PCA gebaseerde anomaliedetectie: hiermee maakt u een anomaliedetectiemodel met behulp van Principal Component Analysis.