TimeSeriesCatalog 類別

定義

命名空間:

Microsoft.ML

組件:

Microsoft.ML.TimeSeries.dll

套件:

Microsoft.ML.TimeSeries v2.0.0

public static class TimeSeriesCatalog

type TimeSeriesCatalog = class

Public Module TimeSeriesCatalog

繼承

Object

TimeSeriesCatalog

方法

DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	建立 SrCnnAnomalyEstimator ，以使用 SRCNN 演算法偵測時間異常狀況。
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	建立 SsaChangePointEstimator ，其會使用 Singular Spectrum Analysis (SSA) 預測時間序列中的變更點。
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	已淘汰. 建立 SsaChangePointEstimator ，其會使用 Singular Spectrum Analysis (SSA) 預測時間序列中的變更點。
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	建立 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector ，它會使用 SRCNN 演算法偵測整個輸入的逾時異常狀況。
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	建立 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector ，它會使用 SRCNN 演算法偵測整個輸入的逾時異常狀況。
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	建立 IidChangePointEstimator ，其會根據調適性核心密度估計和 martingale 分數，預測 獨立相同分佈 (i.d.) 時間序列中的變更點。
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	已淘汰. 建立 IidChangePointEstimator ，其會根據調適性核心密度估計和 martingale 分數，預測 獨立相同分佈 (i.d.) 時間序列中的變更點。
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	建立 IidSpikeEstimator ，其會根據自適性核心密度估計和 martingale 分數，預測 獨立分佈 (i.d.) 時間序列的尖峰。
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	已淘汰. 建立 IidSpikeEstimator ，其會根據自適性核心密度估計和 martingale 分數，預測 獨立分佈 (i.d.) 時間序列的尖峰。
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	在時間序列資料中，季節性 (或週期性) 是特定定期發生的變化，例如每週、每月或每季。 此方法會採用四個分析技術，以偵測這個可預測的間隔 (或期間) 。 假設輸入值有相同的時間間隔 (例如，依時間戳記) 排序每秒所收集的感應器資料，此方法會採用時間序列資料的清單，並傳回輸入季節性資料的一般期間，如果可預測的波動或模式可以在整個輸入值期間內遞迴或重複。 如果找不到這類模式，則傳回 -1，也就是說，輸入值不會遵循季節性波動。
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	建立 SsaSpikeEstimator ，其會使用 SSA (SSA) 來預測時間序列中的尖峰。
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	已淘汰. 建立 SsaSpikeEstimator ，其會使用 SSA (SSA) 來預測時間序列中的尖峰。
ForecastBySsa(ForecastingCatalog, String, String, Int32, Int32, Int32, Int32, Boolean, Single, RankSelectionMethod, Nullable<Int32>, Nullable<Int32>, Boolean, Boolean, Nullable<GrowthRatio>, String, String, Single, Boolean)	單變數時間序列預測的單一頻譜分析 (SSA) 模型。 如需模型的詳細資料，請參閱 http://arxiv.org/pdf/1206.6910.pdf 。
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	建立 RootCause ，以使用決策樹演算法將根本原因當地語系化。
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	輸出 的 RootCause 已排序清單。 順序會對應到備妥的原因最有可能是根本原因。