Wykrywanie anomalii
Ważne
Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.
Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).
- Zobacz informacje na temat przenoszenia projektów uczenia maszynowego z programu ML Studio (wersja klasyczna) do Azure Machine Learning.
- Dowiedz się więcej o Azure Machine Learning.
Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.
Uwaga
Dotyczy: Machine Learning Studio (wersja klasyczna)
Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.
W tym artykule oprowadzono moduły dostępne w programie Machine Learning Studio (wersja klasyczna) służące do wykrywania anomalii. Wykrywanie anomalii obejmuje wiele ważnych zadań w uczeniu maszynowym:
- Identyfikowanie transakcji, które mogą być fałszywe.
- Edukacja wzorców, które wskazują, że wystąpiło włamanie do sieci.
- Znajdowanie nietypowych klastrów pacjentów.
- Sprawdzanie wartości wprowadzonych w systemie.
Ze względu na to, że anomalie są rzadkimi zdarzeniami z definicji, zebranie reprezentatywnej próbki danych na użytek modelowania może być trudne. Algorytmy uwzględnione w tej kategorii zostały specjalnie zaprojektowane w celu budowania i trenowania modeli przy użyciu niezrównoważone zestawy danych.
Moduły wykrywania anomalii
Machine Learning Studio (wersja klasyczna) udostępnia następujące moduły, których można użyć do utworzenia modelu wykrywania anomalii. Przeciągnij moduł do eksperymentu, aby rozpocząć pracę z modelem.
Po ustawieniu parametrów modelu należy wyt szkolenie modelu przy użyciu zestawu danych z etykietami i modułu trenowania modelu wykrywania anomalii . Wynikiem jest wytrenowany model, który umożliwia testowanie nowych danych. W tym celu użyj modułu All-Purpose Score Model (Ocena modelu ).
Przykład współpracy tych modułów można znaleźć w eksperymencie Wykrywanie anomalii: ryzyko kredytowe w galerii Cortana Intelligence.
Zadania powiązane
Wykrywanie anomalii szeregów czasu to nowy moduł, który nieco różni się od innych modeli wykrywania anomalii. Moduł wykrywania anomalii szeregów czasu jest przeznaczony dla danych szeregów czasu. Jest ona przeznaczona do analizowania trendów w czasie. Algorytm identyfikuje potencjalnie anomalie trendy w danych szeregów czasu. Flaguje odchylenia od kierunku lub wielkości trendu.
Platforma Azure udostępnia również Machine Learning API wykrywania anomalii, który można wywołać jako usługę internetową.
Lista modułów
Kategoria Wykrywanie anomalii obejmuje następujące moduły:
- Jednoklasowa maszyna wektorów wsparcia: tworzy jednoklasowy model maszyny wektorów wsparcia na rzecz wykrywania anomalii.
- Wykrywanie anomalii oparte na analizie PCA: tworzy model wykrywania anomalii przy użyciu analizy głównych składników.