Microsoft.ML.Transforms.TimeSeries Espace de noms

Il s’agit du wrapper qui Microsoft.ML.Transforms.TimeSeries.IidAnomalyDetectionBaseWrapper.IidAnomalyDetectionBase calcule les scores p-values et martingale pour une séquence d’entrée supposée i.i.d de floats. En d’autres termes, il suppose que la séquence d’entrée représente le score d’anomalie brut qui a peut-être été calculé par le biais d’un autre processus.

ITransformer résultant de l’ajustement d’un IidChangePointEstimator.

Détecter une modification de signal sur une série chronologique distribuée de manière indépendante (i.i.d.) en fonction de l’estimation de densité du noyau adaptatif et des martingales.

ITransformer résultant de l’ajustement d’un IidSpikeEstimator.

Détectez un pic de signal sur une série chronologique distribuée de manière indépendante (i.i.d.) en fonction de l’estimation de densité du noyau adaptatif.

Espace de noms contenant des composants de transformation de données de série chronologique.

Espace de noms contenant des composants de transformation de données de série chronologique.

ITransformer résultant de l’ajustement d’un SrCnnAnomalyEstimator.

Détecter les anomalies dans les séries chronologiques à l’aide de l’algorithme Specter Residual(SR)

Wrapper pour Microsoft.ML.Transforms.TimeSeries.SsaAnomalyDetectionBaseWrapper.SsaAnomalyDetectionBase cela implémente la transformation de détection d’anomalie générale basée sur la modélisation du spectre singulier de la série chronologique. Pour plus d’informations sur l’analyse du spectre singulier (SSA), reportez-vous à http://arxiv.org/pdf/1206.6910.pdf.

ITransformer résultant de l’ajustement d’un SsaChangePointEstimator.

Détecter les points de modification dans les séries chronologiques à l’aide de l’analyse du spectre singulier.

Wrapper pour Microsoft.ML.Transforms.TimeSeries.SsaForecastingBaseWrapper.SsaForecastingBase cela implémente la transformation de détection d’anomalie générale basée sur la modélisation du spectre singulier de la série chronologique. Pour plus d’informations sur l’analyse du spectre singulier (SSA), reportez-vous à http://arxiv.org/pdf/1206.6910.pdf.

Prévisions utilisant l’analyse du spectre singulier.

ITransformer résultant de l’ajustement d’un SsaForecastingEstimator.

ITransformer résultant de l’ajustement d’un SsaSpikeEstimator.

Détecter les pics dans les séries chronologiques à l’aide de l’analyse du spectre singulier.

Classe qui exécute le modèle précédemment entraîné (et le pipeline de transformation précédent) sur les données en mémoire, un exemple à la fois. Cela peut également être utilisé avec des pipelines entraînés qui ne se terminent pas par un prédicteur : dans ce cas, la « prédiction » sera simplement le résultat de toutes les transformations.

Ratio de croissance. Défini comme Growth^(1/TimeSpan).

Côté de la détection d’anomalies.

Espace de noms contenant des composants de transformation de données de série chronologique.

Type du martingale.

Méthode de sélection de classement pour le signal.