Trenowanie składnika modelu wykrywania anomalii
W tym artykule opisano sposób używania składnika Train Anomaly Detection Model (Trenowanie modelu wykrywania anomalii) w projektancie usługi Azure Machine Learning w celu utworzenia wytrenowanego modelu wykrywania anomalii.
Składnik przyjmuje jako dane wejściowe zestaw parametrów dla modelu wykrywania anomalii i nieoznaczonego zestawu danych. Zwraca on wytrenowany model wykrywania anomalii wraz z zestawem etykiet dla danych treningowych.
Aby uzyskać więcej informacji na temat algorytmów wykrywania anomalii dostępnych w projektancie, zobacz PCA-Based Anomaly Detection (Wykrywanie anomalii oparte na pcA).
Jak skonfigurować trenowanie modelu wykrywania anomalii
Dodaj składnik Train Anomaly Detection Model (Trenowanie modelu wykrywania anomalii ) do potoku w projektancie. Ten składnik można znaleźć w kategorii Wykrywanie anomalii .
Połącz jeden ze składników przeznaczonych do wykrywania anomalii, takich jak wykrywanie anomalii oparte na pcA.
Inne typy modeli nie są obsługiwane. Po uruchomieniu potoku zostanie wyświetlony błąd "Wszystkie modele muszą mieć ten sam typ ucznia".
Skonfiguruj składnik wykrywania anomalii, wybierając kolumnę etykiety i ustawiając inne parametry specyficzne dla algorytmu.
Dołącz zestaw danych szkoleniowych do danych wejściowych po prawej stronie trenowania modelu wykrywania anomalii.
Prześlij potok.
Wyniki
Po zakończeniu szkolenia:
Aby wyświetlić parametry modelu, kliknij prawym przyciskiem myszy składnik i wybierz polecenie Visualize (Wizualizacja).
Aby utworzyć przewidywania, użyj składnika Score Model (Generowanie wyników dla modelu ) z nowymi danymi wejściowymi.
Aby zapisać migawkę wytrenowanego modelu, wybierz składnik. Następnie wybierz ikonę Zarejestruj zestaw danych na karcie Dane wyjściowe i dzienniki w prawym panelu.
Następne kroki
Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.
Zobacz Wyjątki i kody błędów dla projektanta , aby uzyskać listę błędów specyficznych dla składników projektanta.