AnomalyDetectorClient Klas
De Anomaly Detector-API detecteert automatisch afwijkingen in tijdreeksgegevens. Het ondersteunt twee soorten modus, een is voor staatloos gebruik, een andere is voor stateful gebruik. In de staatloze modus zijn er drie functies. Gehele detectie is voor het detecteren van de hele reeks met een model dat is getraind door de tijdreeks. Laatste detectie detecteert het laatste punt met een model dat eerder is getraind door punten. ChangePoint Detect is bedoeld voor het detecteren van trendwijzigingen in tijdreeksen. In de stateful modus kan de gebruiker tijdreeksen opslaan. De opgeslagen tijdreeks wordt gebruikt voor detectieafwijkingen. In deze modus kan de gebruiker nog steeds de bovenstaande drie functies gebruiken door alleen een tijdsbereik te geven zonder tijdreeksen aan de clientzijde voor te bereiden. Naast de bovenstaande drie functies biedt het stateful model ook een op groepen gebaseerde detectie- en labelservice. Door gebruik te maken van de labelservice kan de gebruiker labels opgeven voor elk detectieresultaat, worden deze labels gebruikt voor het opnieuw afstemmen of opnieuw genereren van detectiemodellen. Inconsistentiedetectie is een soort op groep gebaseerde detectie. Deze detectie vindt inconsistenties in een set tijdreeksen. Met behulp van de anomaly detector-service kunnen zakelijke klanten incidenten detecteren en een logische stroom tot stand brengen voor analyse van hoofdoorzaak.
- Overname
-
azure.ai.anomalydetector._operations._operations.AnomalyDetectorClientOperationsMixinAnomalyDetectorClient
Constructor
AnomalyDetectorClient(endpoint: str, credential: AzureKeyCredential, **kwargs: Any)
Parameters
- endpoint
- str
Ondersteunde Cognitive Services-eindpunten (protocol en hostnaam, bijvoorbeeld: https://westus2.api.cognitive.microsoft.com). Vereist.
- credential
- AzureKeyCredential
Referenties die nodig zijn voor de client om verbinding te maken met Azure. Vereist.
- api_version
- str
API-versie. De standaardwaarde is 'v1.1'. Houd er rekening mee dat het overschrijven van deze standaardwaarde kan leiden tot niet-ondersteund gedrag.
Methoden
close | |
delete_multivariate_model |
Multivariate model verwijderen. Verwijder een bestaand multivariabel model op basis van de modelId. |
detect_multivariate_batch_anomaly |
Detecteer multivariate anomalie. Dien multivariate anomaliedetectietaak in met de modelId van getrainde model- en deductiegegevens. Het invoerschema moet hetzelfde zijn als de trainingsaanvraag. De aanvraag wordt asynchroon voltooid en retourneert een resultId om een query uit te voeren op het detectieresultaat. De aanvraag moet een bronkoppeling zijn om een extern toegankelijke Azure Storage-URI aan te geven, die wees naar een Azure Blob Storage-map of naar een CSV-bestand in Azure Blob Storage. |
detect_multivariate_last_anomaly |
Detecteer afwijkingen in het laatste punt van de aanvraagbody. Dien multivariate anomaliedetectietaak in met de modelId van getrainde model- en deductiegegevens. De deductiegegevens moeten in de aanvraagbody worden geplaatst in een JSON-indeling. De aanvraag wordt synchroon voltooid en retourneert de detectie onmiddellijk in de hoofdtekst van het antwoord. |
detect_univariate_change_point |
Detecteer het wijzigingspunt voor de hele reeks. Evalueer de wijzigingspuntscore van elk reekspunt. |
detect_univariate_entire_series |
Detecteer afwijkingen voor de hele reeks in batch. Met deze bewerking wordt een model met een hele reeks gegenereerd. Elk punt wordt gedetecteerd met hetzelfde model. Met deze methode worden punten voor en na een bepaald punt gebruikt om te bepalen of het een anomalie is. De volledige detectie kan de gebruiker een algemene status van de tijdreeks geven. |
detect_univariate_last_point |
Anomaliestatus van het laatste punt in tijdreeks detecteren. Met deze bewerking wordt een model gegenereerd met behulp van de punten die u naar de API hebt verzonden en op basis van alle gegevens om te bepalen of het laatste punt afwijkend is. |
get_multivariate_batch_detection_result |
Resultaat van meervoudige anomaliedetectie ophalen. Voor asynchrone deductie haalt u multivariate anomaliedetectieresultaten op op basis van resultId die wordt geretourneerd door de BatchDetectAnomaly-API. |
get_multivariate_model |
Multivariate model ophalen. Gedetailleerde informatie over het multivariate model, inclusief de trainingsstatus en variabelen die in het model worden gebruikt. |
list_multivariate_models |
Multivariate-modellen weergeven. Maak een lijst met modellen van een resource. |
send_request |
Voert de netwerkaanvraag uit via het gekoppelde beleid van de client.
Zie voor meer informatie over deze codestroom https://aka.ms/azsdk/dpcodegen/python/send_request |
train_multivariate_model |
Een multivariate anomaliedetectiemodel trainen. Een multivariate anomaliedetectiemodel maken en trainen. De aanvraag moet een bronparameter bevatten om een extern toegankelijke Azure Blob Storage-URI aan te geven. Er zijn twee typen gegevensinvoer: een URI die wees naar een Azure Blob Storage-map die meerdere CSV-bestanden bevat en elk CSV-bestand bevat twee kolommen, een tijdstempel en een variabele. Een ander type invoer is een URI die verwijst naar een CSV-bestand in Azure Blob Storage, dat alle variabelen en een tijdstempelkolom bevat. |
close
close() -> None
delete_multivariate_model
Multivariate model verwijderen.
Verwijder een bestaand multivariabel model op basis van de modelId.
delete_multivariate_model(model_id: str, **kwargs: Any) -> None
Parameters
Retouren
Geen
Retourtype
Uitzonderingen
detect_multivariate_batch_anomaly
Detecteer multivariate anomalie.
Dien multivariate anomaliedetectietaak in met de modelId van getrainde model- en deductiegegevens. Het invoerschema moet hetzelfde zijn als de trainingsaanvraag. De aanvraag wordt asynchroon voltooid en retourneert een resultId om een query uit te voeren op het detectieresultaat. De aanvraag moet een bronkoppeling zijn om een extern toegankelijke Azure Storage-URI aan te geven, die wees naar een Azure Blob Storage-map of naar een CSV-bestand in Azure Blob Storage.
detect_multivariate_batch_anomaly(model_id: str, options: MultivariateBatchDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateDetectionResult
Parameters
- options
- MultivariateBatchDetectionOptions of <xref:JSON> of IO
Aanvraag van multivariate anomaliedetectie. Is een van de volgende typen: model, JSON, IO vereist.
- content_type
- str
Body parameter Content-Type. Bekende waarden zijn: application/json. De standaardwaarde is Geen.
Retouren
MultivariateDetectionResult. MultivariateDetectionResult is compatibel met MutableMapping
Retourtype
Uitzonderingen
detect_multivariate_last_anomaly
Detecteer afwijkingen in het laatste punt van de aanvraagbody.
Dien multivariate anomaliedetectietaak in met de modelId van getrainde model- en deductiegegevens. De deductiegegevens moeten in de aanvraagbody worden geplaatst in een JSON-indeling. De aanvraag wordt synchroon voltooid en retourneert de detectie onmiddellijk in de hoofdtekst van het antwoord.
detect_multivariate_last_anomaly(model_id: str, options: MultivariateLastDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateLastDetectionResult
Parameters
- options
- MultivariateLastDetectionOptions of <xref:JSON> of IO
Aanvraag van laatste detectie. Is een van de volgende typen: model, JSON, IO vereist.
- content_type
- str
Body parameter Content-Type. Bekende waarden zijn: application/json. De standaardwaarde is Geen.
Retouren
MultivariateLastDetectionResult. MultivariateLastDetectionResult is compatibel met MutableMapping
Retourtype
Uitzonderingen
detect_univariate_change_point
Detecteer het wijzigingspunt voor de hele reeks.
Evalueer de wijzigingspuntscore van elk reekspunt.
detect_univariate_change_point(options: UnivariateChangePointDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateChangePointDetectionResult
Parameters
- options
- UnivariateChangePointDetectionOptions of <xref:JSON> of IO
Methode voor univariate anomaliedetectie. Is een van de volgende typen: model, JSON, IO vereist.
- content_type
- str
Body parameter Content-Type. Bekende waarden zijn: application/json. De standaardwaarde is Geen.
Retouren
UnivariateChangePointDetectionResult. UnivariateChangePointDetectionResult is compatibel met MutableMapping
Retourtype
Uitzonderingen
detect_univariate_entire_series
Detecteer afwijkingen voor de hele reeks in batch.
Met deze bewerking wordt een model met een hele reeks gegenereerd. Elk punt wordt gedetecteerd met hetzelfde model. Met deze methode worden punten voor en na een bepaald punt gebruikt om te bepalen of het een anomalie is. De volledige detectie kan de gebruiker een algemene status van de tijdreeks geven.
detect_univariate_entire_series(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateEntireDetectionResult
Parameters
- options
- UnivariateDetectionOptions of <xref:JSON> of IO
Methode voor univariate anomaliedetectie. Is een van de volgende typen: model, JSON, IO vereist.
- content_type
- str
Body parameter Content-Type. Bekende waarden zijn: application/json. De standaardwaarde is Geen.
Retouren
UnivariateEntireDetectionResult. De UnivariateEntireDetectionResult is compatibel met MutableMapping
Retourtype
Uitzonderingen
detect_univariate_last_point
Anomaliestatus van het laatste punt in tijdreeks detecteren.
Met deze bewerking wordt een model gegenereerd met behulp van de punten die u naar de API hebt verzonden en op basis van alle gegevens om te bepalen of het laatste punt afwijkend is.
detect_univariate_last_point(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateLastDetectionResult
Parameters
- options
- UnivariateDetectionOptions of <xref:JSON> of IO
Methode voor univariate anomaliedetectie. Is een van de volgende typen: model, JSON, IO vereist.
- content_type
- str
Body parameter Content-Type. Bekende waarden zijn: application/json. De standaardwaarde is Geen.
Retouren
UnivariateLastDetectionResult. UnivariateLastDetectionResult is compatibel met MutableMapping
Retourtype
Uitzonderingen
get_multivariate_batch_detection_result
Resultaat van meervoudige anomaliedetectie ophalen.
Voor asynchrone deductie haalt u multivariate anomaliedetectieresultaten op op basis van resultId die wordt geretourneerd door de BatchDetectAnomaly-API.
get_multivariate_batch_detection_result(result_id: str, **kwargs: Any) -> MultivariateDetectionResult
Parameters
Retouren
MultivariateDetectionResult. MultivariateDetectionResult is compatibel met MutableMapping
Retourtype
Uitzonderingen
get_multivariate_model
Multivariate model ophalen.
Gedetailleerde informatie over het multivariate model, inclusief de trainingsstatus en variabelen die in het model worden gebruikt.
get_multivariate_model(model_id: str, **kwargs: Any) -> AnomalyDetectionModel
Parameters
Retouren
AnomalyDetectionModel. Het AnomalyDetectionModel is compatibel met MutableMapping
Retourtype
Uitzonderingen
list_multivariate_models
Multivariate-modellen weergeven.
Maak een lijst met modellen van een resource.
list_multivariate_models(*, skip: int | None = None, top: int | None = None, **kwargs: Any) -> Iterable[AnomalyDetectionModel]
Parameters
- skip
- int
Overslaan geeft aan hoeveel modellen worden overgeslagen. De standaardwaarde is Geen.
- top
- int
Boven geeft aan hoeveel modellen worden opgehaald. De standaardwaarde is Geen.
Retouren
Een iterator zoals een exemplaar van AnomalyDetectionModel. Het AnomalyDetectionModel is compatibel met MutableMapping
Retourtype
Uitzonderingen
send_request
Voert de netwerkaanvraag uit via het gekoppelde beleid van de client.
>>> from azure.core.rest import HttpRequest
>>> request = HttpRequest("GET", "https://www.example.org/")
<HttpRequest [GET], url: 'https://www.example.org/'>
>>> response = client.send_request(request)
<HttpResponse: 200 OK>
Zie voor meer informatie over deze codestroom https://aka.ms/azsdk/dpcodegen/python/send_request
send_request(request: HttpRequest, **kwargs: Any) -> HttpResponse
Parameters
- stream
- bool
Of de nettolading van het antwoord wordt gestreamd. Standaard ingesteld op False.
Retouren
Het antwoord van uw netwerkoproep. Er wordt geen foutafhandeling uitgevoerd voor uw antwoord.
Retourtype
train_multivariate_model
Een multivariate anomaliedetectiemodel trainen.
Een multivariate anomaliedetectiemodel maken en trainen. De aanvraag moet een bronparameter bevatten om een extern toegankelijke Azure Blob Storage-URI aan te geven. Er zijn twee typen gegevensinvoer: een URI die wees naar een Azure Blob Storage-map die meerdere CSV-bestanden bevat en elk CSV-bestand bevat twee kolommen, een tijdstempel en een variabele. Een ander type invoer is een URI die verwijst naar een CSV-bestand in Azure Blob Storage, dat alle variabelen en een tijdstempelkolom bevat.
train_multivariate_model(model_info: ModelInfo | MutableMapping[str, Any] | IO, **kwargs: Any) -> AnomalyDetectionModel
Parameters
Modelgegevens. Is een van de volgende typen: model, JSON, IO vereist.
- content_type
- str
Body parameter Content-Type. Bekende waarden zijn: application/json. De standaardwaarde is Geen.
Retouren
AnomalyDetectionModel. Het AnomalyDetectionModel is compatibel met MutableMapping
Retourtype
Uitzonderingen
Azure SDK for Python
Feedback
https://aka.ms/ContentUserFeedback.
Binnenkort beschikbaar: In de loop van 2024 zullen we GitHub-problemen geleidelijk uitfaseren als het feedbackmechanisme voor inhoud en deze vervangen door een nieuw feedbacksysteem. Zie voor meer informatie:Feedback verzenden en weergeven voor