Deteção de Anomalias
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Este artigo introduz os módulos fornecidos no Machine Learning Studio (clássico) para deteção de anomalias. A deteção de anomalias engloba muitas tarefas importantes na aprendizagem automática:
- Identificar transações potencialmente fraudulentas.
- Aprendizagem padrões que indicam que ocorreu uma intrusão na rede.
- Encontrar aglomerados anormais de pacientes.
- Verificação de valores introduzidos num sistema.
Como as anomalias são eventos raros por definição, pode ser difícil recolher uma amostra representativa de dados para usar para modelação. Os algoritmos incluídos nesta categoria foram especialmente concebidos para enfrentar os desafios fundamentais dos modelos de construção e formação utilizando conjuntos de dados desequilibrados.
Módulos de deteção de anomalias
Machine Learning Studio (clássico) fornece os seguintes módulos que pode usar para criar um modelo de deteção de anomalias. Basta arrastar o módulo para a sua experiência para começar a trabalhar com o modelo.
Depois de definir os parâmetros do modelo, deve treinar o modelo utilizando um conjunto de dados rotulado e o módulo de formação do Modelo de Deteção de Anomalias de Comboio . O resultado é um modelo treinado que pode usar para testar novos dados. Para isso, utilize o módulo marcador para todos os fins.
Para um exemplo de como estes módulos funcionam em conjunto, consulte a experiência de Deteção de Anomalias: Risco de Crédito na Galeria de Inteligência Cortana.
Tarefas relacionadas
A Deteção de Anomalias em Séries de Tempo é um novo módulo que é um pouco diferente dos outros modelos de deteção de anomalias. O módulo de deteção de anomalias de série sonora foi concebido para dados da série de tempo. Destina-se a usar para analisar tendências ao longo do tempo. O algoritmo identifica tendências potencialmente anómalas nos dados da série-tempo. Sinaliza desvios da direção ou magnitude da tendência.
O Azure também fornece a API de Deteção de Anomalias Machine Learning, que pode chamar de serviço web.
Lista de módulos
A categoria deteção 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 deteção de anomalias.
- Deteção de anomalias baseadas em PCA: Cria um modelo de deteção de anomalias utilizando a Análise principal de Componentes.