TimeSeriesCatalog Klasa

Definicja

Przestrzeń nazw:: Microsoft.ML

Zestaw:: Microsoft.ML.TimeSeries.dll

Pakiet:: Microsoft.ML.TimeSeries v4.0.1

Pakiet:: Microsoft.ML.TimeSeries v1.2.0

Pakiet:: Microsoft.ML.TimeSeries v1.3.1

Pakiet:: Microsoft.ML.TimeSeries v1.4.0

Pakiet:: Microsoft.ML.TimeSeries v1.5.5

Pakiet:: Microsoft.ML.TimeSeries v1.6.0

Pakiet:: Microsoft.ML.TimeSeries v1.7.0

Pakiet:: Microsoft.ML.TimeSeries v2.0.1

Pakiet:: Microsoft.ML.TimeSeries v3.0.1

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

Źródło:: ExtensionsCatalog.cs

Źródło:: ExtensionsCatalog.cs

Źródło:: ExtensionsCatalog.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.

public static class TimeSeriesCatalog

type TimeSeriesCatalog = class

Public Module TimeSeriesCatalog

Dziedziczenie: Object
TimeSeriesCatalog

Metody

Nazwa	Opis
DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Utwórz SrCnnAnomalyEstimatorplik , który wykrywa anomalie czasowników przy użyciu algorytmu SRCNN.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Utwórz SsaChangePointEstimatorelement , który przewiduje punkty zmian w szeregach czasowych przy użyciu analizy pojedynczego spektrum (SSA).
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Przestarzałe. Utwórz SsaChangePointEstimatorelement , który przewiduje punkty zmian w szeregach czasowych przy użyciu analizy pojedynczego spektrum (SSA).
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.
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Utwórz IidChangePointEstimatorelement , który przewiduje punkty zmian w niezależnych, identycznych rozproszonych szeregach czasowych (i.i.d.) w oparciu o adaptacyjne oszacowania gęstości jądra i wyniki martingale.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Przestarzałe. Utwórz IidChangePointEstimatorelement , który przewiduje punkty zmian w niezależnych, identycznych rozproszonych szeregach czasowych (i.i.d.) w oparciu o adaptacyjne oszacowania gęstości jądra i wyniki martingale.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Utwórz IidSpikeEstimatorelement , który przewiduje wzrosty liczby niezależnych, identycznych rozproszonych (i.i.d.) szeregów czasowych opartych na adaptacyjnych oszacowaniach gęstości jądra i wynikach martingale.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Przestarzałe. Utwórz IidSpikeEstimatorelement , który przewiduje wzrosty liczby niezależnych, identycznych rozproszonych (i.i.d.) szeregów czasowych opartych na adaptacyjnych oszacowaniach gęstości jądra i wynikach martingale.
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.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Utwórz SsaSpikeEstimatorelement , który przewiduje skoki w szeregach czasowych przy użyciu analizy pojedynczego spektrum (SSA).
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Przestarzałe. Utwórz SsaSpikeEstimatorelement , który przewiduje skoki w szeregach czasowych przy użyciu analizy pojedynczego spektrum (SSA).
ForecastBySsa(ForecastingCatalog, String, String, Int32, Int32, Int32, Int32, Boolean, Single, RankSelectionMethod, Nullable<Int32>, Nullable<Int32>, Boolean, Boolean, Nullable<GrowthRatio>, String, String, Single, Boolean)	Model analizy pojedynczego spektrum (SSA) na potrzeby jednowariancji prognozowania szeregów czasowych. Aby uzyskać szczegółowe informacje o modelu, zobacz http://arxiv.org/pdf/1206.6910.pdf.
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