SsaSpikeEstimator Classe
Definição
Importante
Algumas informações se referem a produtos de pré-lançamento que podem ser substancialmente modificados antes do lançamento. A Microsoft não oferece garantias, expressas ou implícitas, das informações aqui fornecidas.
Detectar picos em séries temporais usando a Análise de Espectro Singular.
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)- Herança
-
SsaSpikeEstimator
- Implementações
Comentários
Para criar esse estimador, use DetectSpikeBySsa
Colunas de entrada e saída
Há apenas uma coluna de entrada. A coluna de entrada deve estar Single onde um Single valor indica um valor em um carimbo de data/hora na série temporal.
Ele produz uma coluna que é um vetor com 3 elementos. O vetor de saída contém sequencialmente o nível de alerta (valor não zero significa um ponto de alteração), pontuação e p-value.
Características do estimador
| Esse estimador precisa examinar os dados para treinar seus parâmetros? | Sim |
| Tipo de dados de coluna de entrada | Single |
| Tipo de dados de coluna de saída | Vetor de 3 elementos de Double |
| Exportável para ONNX | No |
Características do estimador
| Ferramenta de machine learning | Detecção de anomalias |
| A normalização é necessária? | Não |
| O cache é necessário? | No |
| NuGet necessário além de Microsoft.ML | Microsoft.ML.TimeSeries |
Detalhes do algoritmo de treinamento
Essa classe implementa a transformação geral de detecção de anomalias com base na SSA (Singular Spectrum Analysis). O SSA é uma estrutura poderosa para decompor a série temporal em componentes de tendência, sazonalidade e ruído, bem como prever os valores futuros da série temporal. Em princípio, o SSA executa uma análise espectral na série temporal de entrada em que cada componente no espectro corresponde a um componente de tendência, sazonal ou ruído na série temporal. Para obter detalhes da Singular Spectrum Analysis (SSA), consulte este documento.
Marcador de Anomalias
Depois que a pontuação bruta em um carimbo de data/hora é calculada, ela é alimentada com o componente do marcador de anomalias para calcular a pontuação final de anomalias nesse carimbo de data/hora.
Detecção de pico com base no p-value
A pontuação p-value indica se o ponto atual é um outlier (também conhecido como pico). Quanto menor o valor, maior a probabilidade de ser um pico. A pontuação p-value está sempre em $[0, 1]$.
Essa pontuação é o valor p da pontuação bruta computada atual de acordo com uma distribuição de pontuações brutas. Aqui, a distribuição é estimada com base nos valores de pontuação bruta mais recentes até determinada profundidade de volta ao histórico. Mais especificamente, essa distribuição é estimada usando a estimativa de densidade de kernel com os kernels gaussianos de largura de banda adaptável.
Se a pontuação p-value exceder US $ 1 - \frac{\text{confidence}}{100}$, o carimbo de data/hora associado pode obter um valor de alerta não zero na detecção de pico, o que significa que um ponto de pico é detectado. Observe que $\text{confidence}$ é definido nas assinaturas de DetectIidSpike e DetectSpikeBySsa.
Verifique a seção Consulte Também para obter links para exemplos de uso.
Métodos
| Fit(IDataView) |
Treine e retorne um transformador. |
| GetOutputSchema(SchemaShape) |
Propagação de esquema para transformadores. Retorna o esquema de saída dos dados, se o esquema de entrada for semelhante ao fornecido. |
Métodos de Extensão
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Acrescente um "ponto de verificação de cache" à cadeia de estimativas. Isso garantirá que os estimadores downstream serão treinados em relação aos dados armazenados em cache. É útil ter um ponto de verificação de cache antes dos treinadores que fazem várias passagens de dados. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Dado um estimador, retorne um objeto de encapsulamento que chamará um delegado uma vez Fit(IDataView) chamado. Geralmente, é importante que um estimador retorne informações sobre o que estava em forma, e é por isso que o Fit(IDataView) método retorna um objeto especificamente tipado, em vez de apenas um geral ITransformer. No entanto, ao mesmo tempo, IEstimator<TTransformer> muitas vezes são formados em pipelines com muitos objetos, portanto, talvez seja necessário construir uma cadeia de estimadores por meio EstimatorChain<TLastTransformer> de onde o estimador para o qual queremos que o transformador seja enterrado em algum lugar nesta cadeia. Para esse cenário, podemos por meio desse método anexar um delegado que será chamado quando fit for chamado. |