AnomalyDetectionCatalog Klasa

Definicja

Przestrzeń nazw:: Microsoft.ML

Zestaw:: Microsoft.ML.Data.dll

Pakiet:: Microsoft.ML v4.0.1

Pakiet:: Microsoft.ML v1.0.0

Pakiet:: Microsoft.ML v1.1.0

Pakiet:: Microsoft.ML v1.2.0

Pakiet:: Microsoft.ML v1.3.1

Pakiet:: Microsoft.ML v1.4.0

Pakiet:: Microsoft.ML v1.5.5

Pakiet:: Microsoft.ML v1.6.0

Pakiet:: Microsoft.ML v1.7.0

Pakiet:: Microsoft.ML v2.0.1

Pakiet:: Microsoft.ML v3.0.1

Pakiet:: Microsoft.ML v5.0.0-preview.1.25125.4

Źródło:: TrainCatalog.cs

Źródło:: TrainCatalog.cs

Źródło:: TrainCatalog.cs

Ważne

Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.

Klasa używana przez MLContext program do tworzenia wystąpień składników wykrywania anomalii, takich jak trenerzy i ewaluatory.

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase

type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase

Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase

Dziedziczenie: Object

TrainCatalogBase
AnomalyDetectionCatalog

Właściwości

Nazwa	Opis
Trainers	Lista trenerów do wykrywania anomalii.

Metody

Nazwa	Opis
ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)	Tworzy nowy AnomalyPredictionTransformer<TModel> element z określonym `threshold`elementem . Jeśli podana `threshold` wartość jest taka sama jak `model` próg, po prostu zwraca wartość `model`. Należy pamiętać, że domyślnie próg wynosi 0,5, a prawidłowe wyniki wahają się od 0 do 1.
Evaluate(IDataView, String, String, String, Int32)	Ocenia ocenione dane wykrywania anomalii.

Metody rozszerzania

Nazwa	Opis
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	Utwórz Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetectorplik , który wykrywa anomalie czasowników dla całych danych wejściowych przy użyciu algorytmu SRCNN.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	Utwórz Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetectorplik , który wykrywa anomalie czasowników dla całych danych wejściowych przy użyciu algorytmu SRCNN.
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	W danych szeregów czasowych sezonowość (lub okresowość) to obecność odmian, które występują w określonych regularnych odstępach czasu, takich jak cotygodniowe, miesięczne lub kwartalne. Ta metoda wykrywa ten przewidywalny interwał (lub okres) przez zastosowanie technik analizy czteroletniej. Przy założeniu, że wartości wejściowe mają ten sam interwał czasu (np. dane czujników zbierane co sekundę uporządkowane według sygnatur czasowych), ta metoda przyjmuje listę danych szeregów czasowych i zwraca regularny okres dla danych sezonowych wejściowych, jeśli można znaleźć przewidywalne wahania lub wzorzec, które powtarzają się lub powtarzają w tym okresie w ramach wartości wejściowych. Zwraca -1, jeśli nie znaleziono takiego wzorca, czyli wartości wejściowe nie są zgodne z sezonowymi wahaniami.
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Utwórz RootCauseelement , który lokalizuje główne przyczyny przy użyciu algorytmu drzewa decyzyjnego.
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Zwraca uporządkowaną listę s RootCause. Kolejność odpowiada, która przygotowana przyczyna najprawdopodobniej będzie główną przyczyną.

Dotyczy