IidChangePointEstimator Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Transforms.TimeSeries

Zestaw:

Microsoft.ML.TimeSeries.dll

Pakiet:

Microsoft.ML.TimeSeries v3.0.1

Wykrywanie zmiany sygnału w niezależnie rozproszonym (i.i.d.) szeregach czasowych na podstawie adaptacyjnego szacowania gęstości jądra i martingales.

public sealed class IidChangePointEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.TimeSeries.IidChangePointDetector>

type IidChangePointEstimator = class
    inherit TrivialEstimator<IidChangePointDetector>

Public NotInheritable Class IidChangePointEstimator
Inherits TrivialEstimator(Of IidChangePointDetector)

Dziedziczenie

Object

TrivialEstimator<IidChangePointDetector>

IidChangePointEstimator

Uwagi

Aby utworzyć ten narzędzie do szacowania, użyj metody DetectIidChangePoint.

Kolumny wejściowe i wyjściowe

Istnieje tylko jedna kolumna wejściowa. Kolumna wejściowa musi być Single miejscem, w którym Single wartość wskazuje wartość w sygnaturze czasowej w szeregach czasowych.

Tworzy kolumnę, która jest wektorem z 4 elementami. Wektor danych wyjściowych sekwencyjnie zawiera poziom alertu (wartość niezerowa oznacza punkt zmiany), wynik, wartość p i wartość martingale.

Charakterystyka narzędzia do szacowania

Czy ten narzędzie do szacowania musi przyjrzeć się danym, aby wytrenować jego parametry?	Nie
Typ danych kolumny wejściowej	Single
Typ danych kolumny wyjściowej	4-wektor elementuDouble
Możliwość eksportowania do ONNX	Nie

Charakterystyka narzędzia do szacowania

Zadanie uczenia maszynowego	Wykrywanie anomalii
Czy normalizacja jest wymagana?	Nie
Czy buforowanie jest wymagane?	Nie
Wymagane narzędzie NuGet oprócz Microsoft.ML	Microsoft.ML.TimeSeries

Szczegóły algorytmu trenowania

Ten trener zakłada, że punkty danych zebrane w szeregach czasowych są niezależnie próbkowane z tego samego rozkładu (niezależnie rozdzielone). W związku z tym wartość w bieżącym znaczniku czasu może być postrzegana jako wartość przy następnym znaczniku czasu w oczekiwaniach. Jeśli obserwowana wartość w znaczniku czasu $t-1$ wynosi $p$, przewidywana wartość na $t$ będzie również $p$ .

Wynik anomalii

Po obliczeniu nieprzetworzonego wyniku w sygnaturze czasowej jest on podawany do składnika modułu oceniania anomalii w celu obliczenia końcowego wyniku anomalii na tym znaczniku czasu. Istnieją dwie statystyki związane z tym strzelcem, p-value i martingale score.

Wynik wartości P

Wynik p-value wskazuje wartość p bieżącego obliczonego nieprzetworzonego wyniku zgodnie z rozkładem nieprzetworzonych wyników. W tym miejscu rozkład jest szacowany na podstawie najnowszych nieprzetworzonych wartości oceny do określonej głębokości w historii. W szczególności ten rozkład jest szacowany przy użyciu szacowania gęstości jądra z jąder gaussowskich przepustowości adaptacyjnej. Wynik p-value jest zawsze w wartości $[0, 1]$, a im niższa jego wartość, tym bardziej prawdopodobną wartością bieżącą jest wartość odstający (nazywana również skokiem).

Wykrywanie punktu zmian na podstawie wyniku martingale

Wynik martingale jest dodatkowym poziomem oceniania, który opiera się na wynikach p-value. Pomysł opiera się na możliwości wymiany Martingales , które wykrywają zmianę rozkładu na strumieniu wartości i.i.d. Krótko mówiąc, wartość wyniku martingale zaczyna rosnąć znacznie, gdy sekwencja małych wartości p wykrytych w wierszu; oznacza to zmianę rozkładu bazowego procesu generowania danych. W związku z tym wynik martingale jest używany do wykrywania punktu zmiany. Biorąc pod uwagę sekwencję ostatnio obserwowanych wartości p, $p 1, \dots, p_n$, wynik martingale jest obliczany jako:? $s(p1, \dots, p_n) = \prod_{i=1}^n \beta(p_i)$. Istnieją dwie opcje $\beta$: $\beta(p) = e p^{\epsilon - 1}$ dla $0 < \epsilon < 1$ lub $\beta(p) = \int_{0}^1 \epsilon p^{\epsilon - 1} d\epsilon$.

Jeśli wynik martingle przekracza $s(q_1, \kropki, q_n)$ gdzie $q_i=1 — \frac{\text{confidence}}{100}$, skojarzony znacznik czasu może uzyskać wartość alertu niezerowego dla wykrywania punktu zmiany. Należy pamiętać, że element $\text{confidence}$ jest zdefiniowany w podpisach elementu DetectChangePointBySsa lub DetectIidChangePoint.

Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.

Metody

Fit(IDataView)	Wykrywanie zmiany sygnału w niezależnie rozproszonym (i.i.d.) szeregach czasowych na podstawie adaptacyjnego szacowania gęstości jądra i martingales. (Odziedziczone po TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	SchemaShape Zwraca schemat, który zostanie wygenerowany przez transformator. Służy do propagacji schematu i weryfikacji w potoku.

Metody rozszerzania

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Dołącz "punkt kontrolny buforowania" do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane pod kątem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejdą wiele danych.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który będzie wywoływać delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólny ITransformerelement . Jednak w tym samym czasie IEstimator<TTransformer> są często tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania, za pośrednictwem EstimatorChain<TLastTransformer> którego narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który zostanie wywołany po wywołaniu dopasowania.

Zobacz też

• DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)