Поделиться через


AnomalyDetectionCatalog Класс

Определение

Класс, используемый для MLContext создания экземпляров компонентов обнаружения аномалий, таких как тренеры и вычислители.

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

Свойства

Trainers

Список инструкторов для обнаружения аномалий.

Методы

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

Создает новый объект AnomalyPredictionTransformer<TModel> с заданным дескриптором threshold. Если предоставленное threshold значение совпадает с пороговым значением, model оно просто возвращается model. Обратите внимание, что по умолчанию пороговое значение равно 0,5, а допустимые оценки — от 0 до 1.

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

Оценивает оцененные данные обнаружения аномалий.

Методы расширения

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

Создание Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, которое обнаруживает аномалии времени для всех входных данных с помощью алгоритма SRCNN.

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

Создание Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, которое обнаруживает аномалии времени для всех входных данных с помощью алгоритма SRCNN.

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

В данных временных рядов сезонность (или периодичность) — это наличие вариантов, которые происходят с определенными регулярными интервалами, например еженедельно, ежемесячно или ежеквартально.

Этот метод обнаруживает этот прогнозируемый интервал (или период), внедряя методы анализа фурье. Если входные значения имеют одинаковый интервал времени (например, данные датчика, собранные каждую секунду по меткам времени), этот метод принимает список данных временных рядов и возвращает регулярный период для входных сезонных данных, если прогнозируемое колебание или шаблон можно найти, что рекурс или повторение в течение этого периода на протяжении входных значений.

Возвращает значение -1, если такой шаблон не найден, то есть входные значения не следуют сезонным колебаниям.

LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Создание RootCause, которое локализует первопричины с помощью алгоритма дерева принятия решений.

LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)

Выводит упорядоченный список RootCauses. Порядок соответствует тому, какая подготовленная причина, скорее всего, является первопричиной.

Применяется к