Обучение модели обнаружения аномалий

Важно!

Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.

Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.

• См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
• См. дополнительные сведения о Машинном обучении Azure.

Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.

Обучение модели обнаружения аномалий в обучающем наборе

категория: Машинное обучение/обучение

Примечание

применимо к: только Машинное обучение Studio (классическая модель)

Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.

Обзор модуля

в этой статье описывается, как использовать модуль " обучение модели обнаружения аномалий " в Машинное обучение для создания обученной модели обнаружения аномалий.

Модуль принимает в качестве входных данных набор параметров модели для модели обнаружения аномалий, например, созданный модулем Одноклассовой вектор поддержки , и набор данных без метки. Он возвращает обученную модель обнаружения аномалий вместе с набором меток для обучающих данных.

дополнительные сведения о алгоритмах обнаружения аномалий, предоставляемых в Машинное обучение, см. в следующих разделах:

• Одноклассовый метод опорных векторов

• Обнаружение аномалий на основе анализа первичных компонентов

Настройка модель обучения обнаружения аномалий

1. Добавьте модуль " обучение модели обнаружения аномалий " в эксперимент в студии (классическая модель). модуль можно найти в разделе " Машинное обучение" в категории " обучение ".

2. Подключение один из модулей, предназначенных для обнаружения аномалий, таких как обнаружение аномалий на основе PCA или одноклассовая векторная машина поддержки.

   Другие типы моделей не поддерживаются; При запуске эксперимента возникнет ошибка: все модели должны иметь одинаковый тип для обучения.

3. Настройте модуль обнаружения аномалий, выбрав столбец метки и задав другие параметры, специфичные для алгоритма.

4. Прикрепите набор данных для обучения к правому входу модели обнаружения аномалий.

5. Запустите эксперимент.

Результаты

После завершения обучения:

• Чтобы просмотреть параметры модели, щелкните модуль правой кнопкой мыши и выберите Визуализировать.

• Для создания прогнозов используйте модель оценки с новыми входными данными.

• Чтобы сохранить моментальный снимок обученной модели, щелкните правой кнопкой мыши выходные данные обученной модели и выберите Сохранить как.

Примеры

пример реализации обнаружения аномалий в Машинное обучение см. в Коллекция решений ИИ Azure:

• Обнаружение мошенничества вавтономном режиме. содержит подробное пошаговое руководство по сценарию обнаружения аномалий, в том числе сведения о том, как конструировать функции и интерпретировать результаты алгоритма.

• Обнаружение аномалий: кредитный риск. показывает, как использовать Одноклассовый компьютер векторной поддержки и модули обнаружения аномалий на основе PCA для обнаружения мошенничества.

Ожидаемые входные данные

Имя	Тип	Описание
Необученная модель	Интерфейс ILearner	Необученная модель обнаружения аномалий
Dataset	Таблица данных	Источник входных данных

Выходные данные

Имя	Тип	Описание
Обученная модель	Интерфейс ILearner	Обученная модель обнаружения аномалий

Исключения

Исключение	Описание
Ошибка 0003	Исключение возникает, если один или несколько входных аргументов имеют значение NULL или пусты.

список ошибок, относящихся к модулям студии (классическая версия), см. в разделе Машинное обучение коды ошибок.

список исключений API см. в разделе Машинное обучение REST API коды ошибок.

См. также раздел

Обучение
обнаружение аномалий;