TimeSeriesCatalog 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.
public static class TimeSeriesCatalogtype TimeSeriesCatalog = classPublic Module TimeSeriesCatalog- Héritage
-
TimeSeriesCatalog
Méthodes
| Nom | Description |
|---|---|
| DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double) |
Créez SrCnnAnomalyEstimator, qui détecte les anomalies de la série chronologique à l’aide de l’algorithme SRCNN. |
| DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double) |
CréezSsaChangePointEstimator, qui prédit les points de modification dans les séries chronologiques à l’aide de Singular Spectrum Analysis (SSA). |
| DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double) |
Obsolète.
CréezSsaChangePointEstimator, qui prédit les points de modification dans les séries chronologiques à l’aide de Singular Spectrum Analysis (SSA). |
| 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. |
| DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double) |
Créez IidChangePointEstimator, qui prédit les points de modification dans une série chronologique distribuée de façon indépendante (i.i.d.) en fonction des estimations de densité de noyau adaptative et des scores martingale. |
| DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double) |
Obsolète.
Créez IidChangePointEstimator, qui prédit les points de modification dans une série chronologique distribuée de façon indépendante (i.i.d.) en fonction des estimations de densité de noyau adaptative et des scores martingale. |
| DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide) |
Créez IidSpikeEstimator, qui prédit les pics de série chronologique distribuées de manière indépendante (i.i.d.) en fonction des estimations de densité de noyau adaptative et des scores martingale. |
| DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide) |
Obsolète.
Créez IidSpikeEstimator, qui prédit les pics de série chronologique distribuées de manière indépendante (i.i.d.) en fonction des estimations de densité de noyau adaptative et des scores martingale. |
| 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. |
| DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction) |
CréezSsaSpikeEstimator, qui prédit les pics de série chronologique à l’aide de Singular Spectrum Analysis (SSA). |
| DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction) |
Obsolète.
CréezSsaSpikeEstimator, qui prédit les pics de série chronologique à l’aide de Singular Spectrum Analysis (SSA). |
| ForecastBySsa(ForecastingCatalog, String, String, Int32, Int32, Int32, Int32, Boolean, Single, RankSelectionMethod, Nullable<Int32>, Nullable<Int32>, Boolean, Boolean, Nullable<GrowthRatio>, String, String, Single, Boolean) |
Modèle SSA (Singular Spectrum Analysis) pour les prévisions de série chronologique univariées. Pour plus d’informations sur le modèle, reportez-vous à http://arxiv.org/pdf/1206.6910.pdf. |
| 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. |