SsaSpikeEstimator Classe

Definição

Namespace:

Microsoft.ML.Transforms.TimeSeries

Assembly:

Microsoft.ML.TimeSeries.dll

Pacote:

Microsoft.ML.TimeSeries v3.0.1

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

Object

SsaSpikeEstimator

Implementações

IEstimator<SsaSpikeDetector>

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.

Confira também

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