TimeSeriesCatalog Klasse

Definition

Namespace:: Microsoft.ML

Assembly:: Microsoft.ML.TimeSeries.dll

Paket:: Microsoft.ML.TimeSeries v4.0.1

Paket:: Microsoft.ML.TimeSeries v1.2.0

Paket:: Microsoft.ML.TimeSeries v1.3.1

Paket:: Microsoft.ML.TimeSeries v1.4.0

Paket:: Microsoft.ML.TimeSeries v1.5.5

Paket:: Microsoft.ML.TimeSeries v1.6.0

Paket:: Microsoft.ML.TimeSeries v1.7.0

Paket:: Microsoft.ML.TimeSeries v2.0.1

Paket:: Microsoft.ML.TimeSeries v3.0.1

Paket:: Microsoft.ML.TimeSeries v5.0.0-preview.1.25125.4

Quelle:: ExtensionsCatalog.cs

Quelle:: ExtensionsCatalog.cs

Quelle:: ExtensionsCatalog.cs

Wichtig

Einige Informationen beziehen sich auf Vorabversionen, die vor dem Release ggf. grundlegend überarbeitet werden. Microsoft übernimmt hinsichtlich der hier bereitgestellten Informationen keine Gewährleistungen, seien sie ausdrücklich oder konkludent.

public static class TimeSeriesCatalog

type TimeSeriesCatalog = class

Public Module TimeSeriesCatalog

Vererbung: Object
TimeSeriesCatalog

Methoden

Name	Beschreibung
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Erstellen Sie SrCnnAnomalyEstimator, wodurch Zeitserienanomalien mithilfe des SRCNN-Algorithmus erkannt werden.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Erstellen Sie SsaChangePointEstimator, die Änderungspunkte in der Zeitreihe mithilfe der Singular Spectrum Analysis (SSA) vorhergesagt.
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Veraltet. Erstellen Sie SsaChangePointEstimator, die Änderungspunkte in der Zeitreihe mithilfe der Singular Spectrum Analysis (SSA) vorhergesagt.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	Erstellen Sie Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, wodurch Zeitserienanomalien für die gesamte Eingabe mithilfe des SRCNN-Algorithmus erkannt werden.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	Erstellen Sie Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, wodurch Zeitserienanomalien für die gesamte Eingabe mithilfe des SRCNN-Algorithmus erkannt werden.
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Erstellen Sie IidChangePointEstimator, die Änderungspunkte in einer unabhängigen, identisch verteilten (i.d.) Zeitreihe basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhergesagt.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Veraltet. Erstellen Sie IidChangePointEstimator, die Änderungspunkte in einer unabhängigen, identisch verteilten (i.d.) Zeitreihe basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhergesagt.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Erstellen Sie IidSpikeEstimator, die Spitzen in unabhängig verteilten (i.i.d.) Zeitreihen basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhergesagt.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Veraltet. Erstellen Sie IidSpikeEstimator, die Spitzen in unabhängig verteilten (i.i.d.) Zeitreihen basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhergesagt.
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	In Zeitreihendaten ist Saisonalität (oder Periodizität) das Vorhandensein von Variationen, die in bestimmten regelmäßigen Intervallen auftreten, z. B. wöchentlich, monatlich oder vierteljährlich. Diese Methode erkennt dieses vorhersagbare Intervall (oder einen Zeitraum), indem Techniken der Fourieranalyse übernommen werden. Vorausgesetzt, die Eingabewerte weisen das gleiche Zeitintervall auf (z. B. Sensordaten, die bei jeder sekunde sortiert nach Zeitstempeln gesammelt werden), verwendet diese Methode eine Liste der Daten der Zeitreihen und gibt den regulären Zeitraum für die Eingabesaisondaten zurück, wenn eine vorhersehbare Fluktuation oder ein vorhersagbares Muster gefunden werden kann, das über diesen Zeitraum während dieses Zeitraums in den Eingabewerten rekursiert oder wiederholt wird. Gibt -1 zurück, wenn kein solches Muster gefunden wird, d. h., die Eingabewerte folgen keine saisonalen Fluktuationen.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Erstellen Sie SsaSpikeEstimator, die Spitzen in Zeitreihen mithilfe der Singular Spectrum Analysis (SSA) vorhergesagt.
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Veraltet. Erstellen Sie SsaSpikeEstimator, die Spitzen in Zeitreihen mithilfe der Singular Spectrum Analysis (SSA) vorhergesagt.
ForecastBySsa(ForecastingCatalog, String, String, Int32, Int32, Int32, Int32, Boolean, Single, RankSelectionMethod, Nullable<Int32>, Nullable<Int32>, Boolean, Boolean, Nullable<GrowthRatio>, String, String, Single, Boolean)	Singular Spectrum Analysis (SSA)-Modell für univariate Zeitreihenprognosen. Details zum Modell finden Sie unter http://arxiv.org/pdf/1206.6910.pdf.
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Erstellen Sie RootCause, wodurch die Ursachen mithilfe des Entscheidungsstrukturalgorithmus lokalisiert werden.
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Gibt eine sortierte Liste von RootCauses aus. Die Reihenfolge entspricht der vorbereiteten Ursache ist wahrscheinlich die Ursache.

Gilt für: