Idioma

SsaSpikeEstimator Classe

Definição

Detectar picos em séries temporais usando a Análise de Espectro Singular.

public sealed class SsaSpikeEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaSpikeDetector>
type SsaSpikeEstimator = class
    interface IEstimator<SsaSpikeDetector>
Public NotInheritable Class SsaSpikeEstimator
Implements IEstimator(Of SsaSpikeDetector)
Herança
SsaSpikeEstimator
Implementações

Comentários

Para criar esse avaliador, use DetectSpikeBySsa

Colunas de entrada e saída

Há apenas uma coluna de entrada. A coluna de entrada deve estar Single onde um Single valor indica um valor em um carimbo de data/hora na série temporal.

Ele produz uma coluna que é um vetor com 3 elementos. O vetor de saída contém sequencialmente o nível de alerta (valor diferente de zero significa um ponto de alteração), pontuação e p-value.

Características do avaliador

Esse avaliador precisa examinar os dados para treinar seus parâmetros? Yes
Tipo de dados de coluna de entrada Single
Tipo de dados de coluna de saída Vetor de 3 elementos de Double
Exportável para ONNX No

Características do avaliador

Tarefa de machine learning Detecção de anomalias
A normalização é necessária? No
O cache é necessário? No
NuGet necessário além de Microsoft.ML Microsoft.ML.TimeSeries

Detalhes do algoritmo de treinamento

Essa classe implementa a transformação geral de detecção de anomalias com base no Singular Spectrum Analysis (SSA). O SSA é uma estrutura poderosa para decompor a série temporal em componentes de tendência, sazonalidade e ruído, bem como prever os valores futuros da série temporal. Em princípio, o SSA executa uma análise espectral na série temporal de entrada em que cada componente no espectro corresponde a uma tendência, componente sazonal ou de ruído na série temporal. Para obter detalhes da Singular Spectrum Analysis (SSA), consulte este documento.

Marcador de Anomalias

Depois que a pontuação bruta em um carimbo de data/hora é computada, ela é alimentada ao componente do marcador de anomalias para calcular a pontuação de anomalia final nesse carimbo de data/hora.

Detecção de pico com base no p-value

A pontuação de valor p indica se o ponto atual é uma exceção (também conhecida como pico). Quanto menor o valor, maior a probabilidade de ser um pico. A pontuação de valor p está sempre em $[0, 1]$.

Essa pontuação é o valor p da pontuação bruta computada atual de acordo com uma distribuição de pontuações brutas. Aqui, a distribuição é estimada com base nos valores de pontuação bruta mais recentes até certa profundidade de volta ao histórico. Mais especificamente, essa distribuição é estimada usando a estimativa de densidade de kernel com os kernels gaussianos de largura de banda adaptável.

Se a pontuação de valor p exceder $1 – \frac{\text{confidence}}{100}$, o carimbo de data/hora associado poderá obter um valor de alerta diferente de zero na detecção de pico, o que significa que um ponto de pico é detectado. Observe que $\text{confidence}$ é definido nas assinaturas de DetectIidSpike e DetectSpikeBySsa.

Verifique a seção Consulte Também para obter links para exemplos de uso.

Métodos

Nome Description
Fit(IDataView)

Treine e retorne um transformador.

GetOutputSchema(SchemaShape)

Propagação de esquema para transformadores. Retorna o esquema de saída dos dados, se o esquema de entrada for como o fornecido.

Métodos de Extensão

Nome Description
AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Acrescente um 'ponto de verificação de cache' à cadeia do avaliador. Isso garantirá que os avaliadores downstream serão treinados em relação aos dados armazenados em cache. É útil ter um ponto de verificação de cache antes dos treinadores que têm várias passagens de dados.

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

Dado um avaliador, retorne um objeto de encapsulamento que chamará um delegado uma vez Fit(IDataView) chamado. Geralmente, é importante que um avaliador retorne informações sobre o que estava em forma, e é por isso que o Fit(IDataView) método retorna um objeto especificamente tipado, em vez de apenas um geral ITransformer. No entanto, ao mesmo tempo, IEstimator<TTransformer> muitas vezes são formados em pipelines com muitos objetos, portanto, talvez seja necessário criar uma cadeia de avaliadores por meio EstimatorChain<TLastTransformer> de onde o avaliador para o qual queremos obter o transformador está enterrado em algum lugar nessa cadeia. Para esse cenário, podemos por meio desse método anexar um delegado que será chamado assim que o ajuste for chamado.

Aplica-se a

Confira também