Language

SsaChangePointEstimator クラス

定義

特異スペクトル分析を使用して時系列の変化点を検出します。

public sealed class SsaChangePointEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaChangePointDetector>
type SsaChangePointEstimator = class
    interface IEstimator<SsaChangePointDetector>
Public NotInheritable Class SsaChangePointEstimator
Implements IEstimator(Of SsaChangePointDetector)
継承
SsaChangePointEstimator
実装

注釈

この推定器を作成するには、DetectChangePointBySsa を使用します

入力列と出力列

入力列は 1 つだけです。 入力列は、Single値が時系列のタイムスタンプの値を示すSingleする必要があります。

4 つの要素を持つベクトルである列が生成されます。 出力ベクターには、アラート レベル (0 以外の値は変更ポイントを意味します)、スコア、p 値、およびマルチンセール値が順番に含まれます。

エスティメーターの特性

この推定器は、パラメーターをトレーニングするためにデータを確認する必要がありますか? Yes
入力列のデータ型 Single
出力列のデータ型 の 4 要素ベクトルDouble
ONNX にエクスポート可能 No

エスティメーターの特性

機械学習タスク 異常検出
正規化は必要ですか? No
キャッシュは必要ですか? No
Microsoft.ML に加えて必要な NuGet Microsoft.ML.TimeSeries

トレーニング アルゴリズムの詳細

このクラスは、 特異スペクトル分析 (SSA) に基づく一般的な異常検出変換を実装します。 SSA は、時系列を傾向、季節性、ノイズコンポーネントに分解し、時系列の将来の値を予測するための強力なフレームワークです。 原則として、SSA は入力時系列に対してスペクトル分析を実行します。この場合、スペクトル内の各コンポーネントは時系列の傾向、季節性、またはノイズ成分に対応します。 単数形スペクトル分析 (SSA) の詳細については、 このドキュメントを参照してください。

Anomaly Scorer

タイムスタンプの生のスコアが計算されると、そのタイムスタンプで最終的な異常スコアを計算するために、異常スコアラー コンポーネントにフィードされます。 このスコアラーには、p 値とマルチンガーレ スコアの 2 つの統計が含まれます。

P 値スコア

p 値スコアは、生スコアの分布に従って、現在計算された生スコアの p 値を示します。 ここでは、履歴内の特定の深さまでの最新の生スコア値に基づいて分布が推定されます。 より具体的には、この分布は、適応帯域幅のガウスカーネルと共にカーネル密度推定を使用して推定される。 p 値スコアは常に $[0, 1]$ で、その値が小さいほど、現在のポイントが外れ値である可能性が高くなります (スパイクとも呼ばれます)。

マルチンセール スコアに基づく変更ポイント検出

マルチンセール スコアは、p 値スコアに基づいて構築されたスコアリングの追加レベルです。 このアイデアは、i.i.d. 値のストリームに対する分布の変化を検出する Exchangeability Martingales に基づいています。 つまり、一連の小さなp値が連続して検出されると、マルチンセールスコアの値が大幅に増加し始めます。これは、基になるデータ生成プロセスの分布の変化を示します。 したがって、マルチンガレ スコアは、変化点検出に使用されます。 最近観察された p 値 、$p 1、\dots、p_n$ のシーケンスを考えると、マルチンデール スコアは次のように計算されます。 $s(p1, \dots, p_n) = \prod_{i=1}^n \beta(p_i)$. $\beta$には、$\beta(p) = e p^{\epsilon - 1}$ の 2 つの選択肢があります。$0 < \epsilon < 1$ または $\beta(p) = \int_{0}^1 \epsilon p^{\epsilon - 1} d\epsilon$ です。

martingle スコアが $s(q_1, \dots, q_n)$ を超える場合 ($q_i=1 - \frac{\text{confidence}}}{100}$ の場合、関連付けられたタイムスタンプは、変更ポイント検出用に 0 以外のアラート値を取得する可能性があります。 $\text{confidence}$ は DetectChangePointBySsa または DetectIidChangePoint のシグネチャで定義されていることに注意してください。

使用例へのリンクについては、「関連項目」セクションを参照してください。

メソッド

名前 説明
Fit(IDataView)

トランスフォーマーをトレーニングして返却します。

GetOutputSchema(SchemaShape)

トランスフォーマーのスキーマ伝達。 入力スキーマが指定されたスキーマと同じ場合は、データの出力スキーマを返します。

拡張メソッド

名前 説明
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

推定チェーンに "キャッシュ チェックポイント" を追加します。 これにより、ダウンストリーム推定器がキャッシュされたデータに対してトレーニングされるようになります。 複数のデータを受け取るトレーナーの前にキャッシュ チェックポイントを設定すると便利です。

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

推定器が指定された場合は、 Fit(IDataView) が呼び出されるとデリゲートを呼び出すラップ オブジェクトを返します。 多くの場合、推定器が適合した内容に関する情報を返すことが重要です。そのため、 Fit(IDataView) メソッドは一般的な ITransformerではなく、明示的に型指定されたオブジェクトを返します。 ただし、同時に、 IEstimator<TTransformer> は多くのオブジェクトを含むパイプラインに形成されることが多いため、トランスフォーマーを取得する推定器がこのチェーンのどこかに埋もれている EstimatorChain<TLastTransformer> を使用して、推定器のチェーンを構築する必要がある場合があります。 このシナリオでは、このメソッドを使用して、fit が呼び出されると呼び出されるデリゲートをアタッチできます。

適用対象

こちらもご覧ください