Udostępnij za pośrednictwem


AnomalyDetectionCatalog Klasa

Definicja

Klasa używana przez MLContext program do tworzenia wystąpień składników wykrywania anomalii, takich jak trenerzy i ewaluatorzy.

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase
type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase
Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase
Dziedziczenie
AnomalyDetectionCatalog

Właściwości

Trainers

Lista trenerów wykrywania anomalii.

Metody

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)

Tworzy nowy AnomalyPredictionTransformer<TModel> element z określonym thresholdelementem . Jeśli podana threshold wartość jest taka sama jak model próg, po prostu zwraca wartość model. Należy pamiętać, że domyślnie próg wynosi 0,5 i prawidłowe wyniki wahają się od 0 do 1.

Evaluate(IDataView, String, String, String, Int32)

Ocenia ocenione dane wykrywania anomalii.

Metody rozszerzania

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)

Utwórz Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetectorplik , który wykrywa anomalie czasowników dla całych danych wejściowych przy użyciu algorytmu SRCNN.

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)

Utwórz Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetectorplik , który wykrywa anomalie czasowników dla całych danych wejściowych przy użyciu algorytmu SRCNN.

DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)

W danych szeregów czasowych sezonowość (lub okresowość) to obecność odmian, które występują w określonych regularnych odstępach czasu, takich jak cotygodniowe, miesięczne lub kwartalne.

Ta metoda wykrywa ten przewidywalny interwał (lub okres) przez zastosowanie technik analizy fourier. Przy założeniu, że wartości wejściowe mają ten sam przedział czasu (np. dane z czujników zbierane co sekundę uporządkowane według sygnatur czasowych), ta metoda przyjmuje listę danych szeregów czasowych i zwraca regularny okres dla danych sezonowych wejściowych, jeśli można znaleźć przewidywalne wahania lub wzorzec, które powtarzają się lub powtarzają w tym okresie przez całe wartości wejściowe.

Zwraca wartość -1, jeśli nie znaleziono takiego wzorca, czyli wartości wejściowe nie są zgodne z sezonowymi wahaniami.

LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Utwórz RootCauseelement , który lokalizuje główne przyczyny przy użyciu algorytmu drzewa decyzyjnego.

LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Zwraca uporządkowaną listę s RootCause. Kolejność odpowiada przygotowaniu przyczyny, która najprawdopodobniej będzie główną przyczyną.

Dotyczy