AnomalyDetectionCatalog Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Classe utilisée par MLContext pour créer des instances de composants de détection d’anomalies, tels que des formateurs et des évaluateurs.
public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBasetype AnomalyDetectionCatalog = class
inherit TrainCatalogBasePublic NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase- Héritage
Propriétés
| Nom | Description |
|---|---|
| Trainers |
Liste des formateurs pour la détection d’anomalies. |
Méthodes
| Nom | Description |
|---|---|
| ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single) |
Crée un nouveau AnomalyPredictionTransformer<TModel> avec le fichier spécifié |
| Evaluate(IDataView, String, String, String, Int32) |
Évalue les données de détection d’anomalies notées. |
Méthodes d’extension
| Nom | Description |
|---|---|
| DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode) |
Créez Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, qui détecte les anomalies de la série chronologique pour l’entrée entière à l’aide de l’algorithme SRCNN. |
| DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions) |
Créez Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, qui détecte les anomalies de la série chronologique pour l’entrée entière à l’aide de l’algorithme SRCNN. |
| DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double) |
Dans les données de série chronologique, la saisonnalité (ou la périodicité) est la présence de variations qui se produisent à intervalles réguliers spécifiques, tels que hebdomadaire, mensuel ou trimestriel. Cette méthode détecte cet intervalle prévisible (ou période) en adoptant des techniques d’analyse fourier. En supposant que les valeurs d’entrée ont le même intervalle de temps (par exemple, les données de capteur collectées à chaque seconde ordonnées par horodatage), cette méthode prend une liste de données de série chronologique et retourne la période régulière pour les données saisonnières d’entrée, si une fluctuation ou un modèle prévisible peut être trouvé qui récursive ou se répète au cours de cette période tout au long des valeurs d’entrée. Retourne -1 si aucun modèle de ce type n’est trouvé, autrement dit, les valeurs d’entrée ne suivent pas une fluctuation saisonnière. |
| LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double) |
Créez RootCause, qui localise les causes racines à l’aide de l’algorithme d’arbre de décision. |
| LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double) |
Génère une liste triée de RootCauses. L’ordre correspond à la cause préparée qui est la cause la plus susceptible d’être la cause racine. |