異常偵測
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起,您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前,您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰,未來將不再更新。
本文介紹機器學習 Studio (傳統) 中提供的異常偵測模組。 異常偵測包含了機器學習中許多重要的工作:
- 識別潛在的詐騙交易。
- 學習指出發生網路入侵的模式。
- 尋找異常的患者叢集。
- 檢查輸入到系統的值。
因為定義上異常是罕見事件,因此難以收集具代表性的資料樣本來進行模型化。 此類別中包含的演算法經過特別設計,用來解決使用不平衡的資料集建置和定型模型所發生的核心挑戰。
異常偵測模組
機器學習 Studio (傳統) 提供下列模組,可讓您用來建立異常偵測模型。 您只需將模組拖曳到實驗中,就可以開始使用模型。
設定模型參數之後,您必須使用加上標籤的資料集和「 定型異常偵測模型 定型」模組來定型模型。 結果是您可以用來測試新資料的定型模型。 若要這樣做,請使用 [全用途 評分模型 ] 模組。
如需這些模組如何一起運作的範例,請參閱 Cortana 智慧資源庫中的異常偵測:信用風險實驗。
相關工作
時間序列異常偵測 是與其他異常偵測模型有點不同的新模組。 時間序列異常偵測模組是針對時間序列資料所設計。 它旨在用來分析一段時間的趨勢。 此演算法會識別時間序列資料中可能異常的趨勢。 它會旗標與趨勢方向或量差的偏差。
Azure 也會提供機器學習的異常偵測 API,您可以用它來做為 web 服務呼叫。
模組清單
異常偵測類別包含下列模組:
- 單一類別支援向量機器:建立單一類別支援向量機器模型以進行異常偵測。
- 以PCA 為基礎的異常偵測:使用主體元件分析來建立異常偵測模型。
另請參閱
- 迴歸
- 分類
- Clustering (叢集)
- 文字分析
- OpenCV 程式庫模組
- 模組類別和描述