Partilhar via


AnomalyDetectionCatalog Classe

Definição

Classe usada para MLContext criar instâncias de componentes de detecção de anomalias, como treinadores e avaliadores.

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase
type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase
Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase
Herança
AnomalyDetectionCatalog

Propriedades

Trainers

A lista de treinadores para detecção de anomalias.

Métodos

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)

Cria um novo AnomalyPredictionTransformer<TModel> com o threshold especificado. Se o fornecido threshold for o mesmo que o model limite, ele simplesmente retornará model. Observe que, por padrão, o limite é 0,5 e as pontuações válidas variam de 0 a 1.

Evaluate(IDataView, String, String, String, Int32)

Avalia os dados de detecção de anomalias pontuados.

Métodos de Extensão

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)

Criar Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, que detecta anomalias de timeseries para entrada inteira usando o algoritmo SRCNN.

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)

Criar Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, que detecta anomalias de timeseries para entrada inteira usando o algoritmo SRCNN.

DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)

Em dados de série temporal, a sazonalidade (ou periodicidade) é a presença de variações que ocorrem em intervalos regulares específicos, como semanal, mensal ou trimestral.

Esse método detecta esse intervalo previsível (ou período) adotando técnicas de análise fourier. Supondo que os valores de entrada tenham o mesmo intervalo de tempo (por exemplo, dados do sensor coletados a cada segundo ordenado por carimbos de data/hora), esse método usa uma lista de dados de série temporal e retorna o período regular para os dados sazonais de entrada, se uma flutuação ou padrão previsível pode ser encontrado que se repete ou se repete durante esse período em todos os valores de entrada.

Retorna -1 se nenhum padrão desse tipo for encontrado, ou seja, os valores de entrada não seguirão uma flutuação sazonal.

LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Criar RootCause, que localiza causas raiz usando o algoritmo de árvore de decisão.

LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Gera uma lista ordenada de RootCauses. A ordem corresponde a qual causa preparada é mais provável que seja a causa raiz.

Aplica-se a