Detecção de anomalias
Importante
O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.
A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).
- Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning.
A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.
Observação
aplica-se a: somente Machine Learning Studio (clássico)
Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.
este artigo apresenta os módulos fornecidos no Machine Learning Studio (clássico) para detecção de anomalias. A detecção de anomalias abrange várias tarefas importantes no aprendizado de máquina:
- Identificar transações que são potencialmente fraudulentas.
- Aprender padrões que indicam que ocorreu uma invasão da rede.
- Localizar clusters anormais de pacientes.
- Verificar valores inseridos em um sistema.
Como as anomalias são eventos raros por definição, pode ser difícil coletar um exemplo representativo dos dados para usar na modelagem. Os algoritmos incluídos nesta categoria foram especialmente projetados para abordar os principais desafios de criar e treinar modelos usando conjuntos de dados desequilibrados.
Módulos de detecção de anomalias
o Machine Learning Studio (clássico) fornece os seguintes módulos que você pode usar para criar um modelo de detecção de anomalias. Basta arrastar o módulo para o experimento para começar a trabalhar com o modelo.
Depois de definir os parâmetros do modelo, você deve treinar o modelo usando um conjunto de dados rotulado e o módulo treinar treinamento de modelo de detecção de anomalias . O resultado é um modelo treinado que você pode usar para testar novos dados. Para fazer isso, use o módulo modelo de Pontuação de todas as finalidades.
para obter um exemplo de como esses módulos funcionam juntos, consulte detecção de anomalias: teste de risco de crédito na Cortana Intelligence Gallery.
Tarefas relacionadas
A detecção de anomalias de série temporal é um novo módulo que é um pouco diferente dos outros modelos de detecção de anomalias. O módulo detecção de anomalias de série temporal é projetado para dados de série temporal. Ele se destina a usar o para analisar as tendências ao longo do tempo. O algoritmo identifica tendências potencialmente anormais nos dados de série temporal. Ele sinaliza desvios da direção ou da magnitude da tendência.
o Azure também fornece a API de detecção de anomalias Machine Learning, que você pode chamar como um serviço web.
Lista de módulos
A categoria de detecção de anomalias inclui os seguintes módulos:
- Máquina de vetor de suporte de uma classe: cria um modelo de máquina de vetor de suporte de uma classe para detecção de anomalias.
- Detecção de anomalias baseada em PCA: cria um modelo de detecção de anomalias usando a análise de componente principal.