IidSpikeEstimator Класс

Определение

Пространство имен:

Microsoft.ML.Transforms.TimeSeries

Сборка:

Microsoft.ML.TimeSeries.dll

Пакет:

Microsoft.ML.TimeSeries v3.0.1

Обнаружение всплеска сигнала на независимо распределенном (i.i.d.) временных рядах на основе оценки плотности адаптивного ядра.

public sealed class IidSpikeEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.TimeSeries.IidSpikeDetector>

type IidSpikeEstimator = class
    inherit TrivialEstimator<IidSpikeDetector>

Public NotInheritable Class IidSpikeEstimator
Inherits TrivialEstimator(Of IidSpikeDetector)

Наследование

Object

TrivialEstimator<IidSpikeDetector>

IidSpikeEstimator

Комментарии

Чтобы создать этот оценщик, используйте DetectIidSpike.

Входные и выходные столбцы

Существует только один входной столбец. Входной столбец должен содержать SingleSingle значение, указывающее значение в метке времени в временных рядах.

Он создает столбец, который является вектором с 3 элементами. Выходной вектор последовательно содержит уровень оповещений (ненулевое значение означает точку изменения), оценку и p-значение.

Характеристики оценщика

Нужно ли этому оценщику просмотреть данные для обучения параметров?	нет
Тип данных входного столбца	Single
Тип данных выходного столбца	3-элементный векторDouble
Экспортируемый в ONNX	нет

Характеристики оценщика

Задача машинного обучения	Обнаружение аномалий
Требуется ли нормализация?	нет
Требуется ли кэширование?	нет
Обязательный NuGet в дополнение к Microsoft.ML	Microsoft.ML.TimeSeries

Сведения о алгоритме обучения

Этот тренер предполагает, что точки данных, собранные в временных рядах, независимо отбираются из одного распределения (независимо распределенного одинаково). Таким образом, значение в текущей метке времени можно рассматривать как значение в следующей метке времени в ожидании. Если наблюдаемое значение в метке времени $t-1$ равно $p$, прогнозируемое значение по метке времени $t$ будет также $p$.

Оценка аномалий

После вычисления необработанной оценки на метке времени он будет отправляться компоненту оценки аномалий, чтобы вычислить окончательную оценку аномалий в этой метке времени.

Обнаружение пиковых значений на основе P-значения

Оценка p-значения указывает, является ли текущая точка выбросом (также известной как пик). Чем ниже его значение, тем более вероятно, что это пик. Оценка p-value всегда находится в $[0, 1]$.

Эта оценка является p-значением текущей вычисленной необработанной оценки в соответствии с распределением необработанных оценок. Здесь распределение оценивается на основе последних необработанных значений оценки до определенной глубины в истории. В частности, это распределение оценивается с помощью оценки плотности ядра с ядрами Gaussian адаптивной пропускной способности.

Если оценка p-значения превышает $1 – \frac{\text{достоверность}}{100}$, связанная метка времени может получить ненулевое значение оповещения при обнаружении пиков, что означает обнаружение точки пиков. Обратите внимание, что $\text{confidence}$ определен в сигнатурах DetectIidSpike и DetectSpikeBySsa.

Ознакомьтесь с разделом "См. также" ссылки на примеры использования.

Методы

Fit(IDataView)	Обнаружение всплеска сигнала на независимо распределенном (i.i.d.) временных рядах на основе оценки плотности адаптивного ядра. (Унаследовано от TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Распространение схемы для преобразователей. Возвращает выходную схему данных, если входная схема похожа на указанную.

Методы расширения

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Добавьте "контрольную точку кэширования" в цепочку оценщика. Это обеспечит обучение подчиненных оценщиков на основе кэшированных данных. Рекомендуется создать контрольную точку кэширования перед обучением, которые принимают несколько передач данных.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Учитывая оценщик, возвращает объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было в форме, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры со многими объектами, поэтому нам может потребоваться построить цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия.

См. также раздел

• DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)