SsaChangePointEstimator Sınıf
Tanım
Önemli
Bazı bilgiler ürünün ön sürümüyle ilgilidir ve sürüm öncesinde önemli değişiklikler yapılmış olabilir. Burada verilen bilgilerle ilgili olarak Microsoft açık veya zımni hiçbir garanti vermez.
Tekil Spektrum Analizini kullanarak zaman serisindeki değişiklik noktalarını algılama.
public sealed class SsaChangePointEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaChangePointDetector>
type SsaChangePointEstimator = class
interface IEstimator<SsaChangePointDetector>
Public NotInheritable Class SsaChangePointEstimator
Implements IEstimator(Of SsaChangePointDetector)
- Devralma
-
SsaChangePointEstimator
- Uygulamalar
Açıklamalar
Bu tahmin aracını oluşturmak için DetectChangePointBySsa kullanın
Giriş ve Çıkış Sütunları
Yalnızca bir giriş sütunu vardır. Giriş sütunu, bir Single değerin zaman serisindeki bir zaman damgasında bir değeri gösterdiği yer olmalıdırSingle.
4 öğe içeren bir vektör olan bir sütun üretir. Çıkış vektörünü sıralı olarak uyarı düzeyi (sıfır olmayan değer bir değişiklik noktası anlamına gelir), score, p-value ve martingale değeri içerir.
Tahmin Aracı Özellikleri
Bu tahmin aracının parametrelerini eğitmek için verilere bakması gerekiyor mu? | Yes |
Giriş sütunu veri türü | Single |
Çıkış sütunu veri türü | 4 öğeli vektörDouble |
ONNX'e aktarılabilir | No |
Tahmin Aracı Özellikleri
Makine öğrenmesi görevi | Anormallik algılama |
Normalleştirme gerekli mi? | No |
Önbelleğe alma gerekli mi? | No |
Microsoft.ML ek olarak gerekli NuGet | Microsoft.ML.TimeSeries |
Eğitim Algoritması Ayrıntıları
Bu sınıf , Tekil Spektrum Analizi'ni (SSA) temel alan genel anomali algılama dönüşümünü uygular. SSA, zaman serisini eğilim, mevsimsellik ve kirlilik bileşenlerine ayırmanın yanı sıra zaman serisinin gelecekteki değerlerini tahmin eden güçlü bir çerçevedir. Prensipte SSA, spektrumdaki her bileşenin zaman serisindeki bir eğilim, mevsimsel veya gürültü bileşenine karşılık geldiği giriş zaman serisinde spektral analiz gerçekleştirir. Tekil Spektrum Analizinin (SSA) ayrıntıları için bu belgeye bakın.
Anomali Puanlayıcısı
Bir zaman damgasındaki ham puan hesaplandıktan sonra, o zaman damgasındaki son anomali puanını hesaplamak için anomali puanlayıcı bileşenine beslenir. Bu puanlayıcıda p değeri ve martingale puanı şeklinde iki istatistik vardır.
P değeri puanı
p değeri puanı, ham puanların dağılımına göre geçerli hesaplanan ham puanın p değerini gösterir. Burada dağıtım, geçmişteki belirli derinliklere kadar olan en son ham puan değerlerine göre tahmin edilir. Daha açık belirtmek gerekirse, bu dağılım, uyarlamalı bant genişliğine sahip Gauss çekirdekleri ile çekirdekyoğunluğu tahmini kullanılarak tahmin edilir. p değeri puanı her zaman $[0, 1]$ cinsindendir ve değeri ne kadar düşük olursa geçerli noktanın aykırı değer olma olasılığı da o kadar yüksektir (ani artış olarak da bilinir).
Martingale puanına göre değişiklik noktası algılama
Martingale puanı, p değeri puanlarının üzerine inşa edilen fazladan bir puanlama düzeyidir. Bu fikir, bir i.i.d. değerleri akışı üzerindeki dağıtım değişikliğini algılayan Exchangeability Martingales'i temel alır. Kısacası, bir satırda küçük p değerleri dizisi algılandığında martingale puanının değeri önemli ölçüde artmaya başlar; bu, temel alınan veri oluşturma işleminin dağıtım değişikliğini gösterir. Bu nedenle martingale puanı, değişiklik noktası algılama için kullanılır. En son gözlemlenen p-değerleri dizisi ($p 1, \dots, p_n$) verildiğinde martingale puanı şu şekilde hesaplanır: $s(p1, \dots, p_n) = \prod_{i=1}^n \beta(p_i)$ . İki $\beta$ seçeneği vardır: $\beta(p) = e p^{\epsilon - 1}$ için $0 < \epsilon < 1$ veya $\beta(p) = \int_{0}^1 \epsilon p^{\epsilon - 1} d\epsilon$.
Martingle puanı $q_i=1 - \frac{\text{confidence}}{100}$ olan $s(q_1, \dots, q_n)$ değerini aşarsa, ilişkili zaman damgası değişiklik noktası algılama için sıfır olmayan bir uyarı değeri alabilir. $\text{confidence}$ değerinin DetectChangePointBySsa veya DetectIidChangePoint imzalarında tanımlandığını unutmayın.
Kullanım örneklerinin bağlantıları için Ayrıca Bkz. bölümüne bakın.
Yöntemler
Fit(IDataView) |
Bir transformatörü eğitin ve iade edin. |
GetOutputSchema(SchemaShape) |
Transformatörler için şema yayma. Giriş şeması sağlanan şemaya benziyorsa, verilerin çıkış şemasını döndürür. |
Uzantı Metotları
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Tahmin zincirine 'önbelleğe alma denetim noktası' ekleme. Bu, aşağı akış tahmincilerinin önbelleğe alınan verilere karşı eğitilmesini sağlar. Birden çok veri geçiren eğitmenlerden önce bir önbelleğe alma kontrol noktası olması yararlıdır. |
WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Tahmin aracı verildiğinde, bir temsilci çağrıldıktan sonra Fit(IDataView) çağıracak bir sarmalama nesnesi döndürün. Tahmin aracının neyin uygun olduğu hakkında bilgi döndürmesi genellikle önemlidir; bu nedenle Fit(IDataView) yöntem yalnızca genel ITransformerbir nesne yerine özel olarak yazılan bir nesne döndürür. Bununla birlikte, aynı zamanda, IEstimator<TTransformer> genellikle birçok nesne içeren işlem hatları halinde oluşturulur, bu nedenle transformatörü almak istediğimiz tahmin aracının EstimatorChain<TLastTransformer> bu zincirde bir yere gömülü olduğu bir tahmin aracı zinciri oluşturmamız gerekebilir. Bu senaryo için, bu yöntem aracılığıyla sığdır çağrıldıktan sonra çağrılacak bir temsilci ekleyebiliriz. |
Şunlara uygulanır
Ayrıca bkz.
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin