SsaSpikeEstimator Klasa

Definicja

Przestrzeń nazw:

Microsoft.ML.Transforms.TimeSeries

Zestaw:

Microsoft.ML.TimeSeries.dll

Pakiet:

Microsoft.ML.TimeSeries v3.0.1

Wykrywanie skoków w szeregach czasowych przy użyciu analizy pojedynczego spektrum.

public sealed class SsaSpikeEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaSpikeDetector>

type SsaSpikeEstimator = class
    interface IEstimator<SsaSpikeDetector>

Public NotInheritable Class SsaSpikeEstimator
Implements IEstimator(Of SsaSpikeDetector)

Dziedziczenie

Object

SsaSpikeEstimator

Implementuje

IEstimator<SsaSpikeDetector>

Uwagi

Aby utworzyć ten narzędzie do szacowania, użyj polecenia DetectSpikeBySsa

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 3 elementami. Wektor wyjściowy sekwencyjnie zawiera poziom alertu (wartość niezerowa oznacza punkt zmiany), wynik i wartość p.

Charakterystyka narzędzia do szacowania

Czy ten narzędzie do szacowania musi przyjrzeć się danym, aby wytrenować jego parametry?	Tak
Typ danych kolumny wejściowej	Single
Typ danych kolumny wyjściowej	3-wektor elementu Double
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

Ta klasa implementuje ogólną transformację wykrywania anomalii na podstawie analizy pojedynczego spektrum (SSA). SSA to zaawansowana struktura rozkładu szeregów czasowych na trend, sezonowość i składniki szumu, a także prognozowanie przyszłych wartości szeregów czasowych. W zasadzie usługa SSA wykonuje analizę spektralną na wejściowych szeregach czasowych, w których każdy składnik spektrum odpowiada trendowi, składnikowi sezonowemu lub szumowi w szeregach czasowych. Aby uzyskać szczegółowe informacje na temat analizy pojedynczego spektrum (SSA), zapoznaj się z tym dokumentem.

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.

Wykrywanie skoków na podstawie wartości p

Wynik p-value wskazuje, czy bieżący punkt jest wartością odstawną (nazywaną również skokiem). Im niższa jego wartość, tym bardziej prawdopodobne jest wzrost. Wynik p-value jest zawsze w $[0, 1]$.

Ten wynik jest wartością 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.

Jeśli wynik p-value przekracza $1 — \frac{\text{confidence}}{100}$, skojarzony znacznik czasu może uzyskać wartość alertu niezerową w wykrywaniu skoku, co oznacza, że wykryto punkt skoku. Należy pamiętać, że element $\text{confidence}$ jest zdefiniowany w podpisach funkcji DetectIidSpike i DetectSpikeBySsa.

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

Metody

Fit(IDataView)	Trenowanie i zwraca transformator.
GetOutputSchema(SchemaShape)	Propagacja schematu dla transformatorów. Zwraca schemat danych wyjściowych, jeśli schemat wejściowy jest podobny do podanego.

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

• DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)