AnomalyDetectionCatalog 類別
定義
重要
部分資訊涉及發行前產品，在發行之前可能會有大幅修改。 Microsoft 對此處提供的資訊，不做任何明確或隱含的瑕疵擔保。
類別用於 MLContext 建立異常偵測元件的實例，例如訓練器與評估器。
public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBasetype AnomalyDetectionCatalog = class
inherit TrainCatalogBasePublic NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase- 繼承
屬性
| 名稱 | Description |
|---|---|
| Trainers |
異常偵測訓練師名單。 |
方法
| 名稱 | Description |
|---|---|
| ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single) |
建立 AnomalyPredictionTransformer<TModel> 一個包含指定 |
| Evaluate(IDataView, String, String, String, Int32) |
評估評分異常偵測資料。 |
擴充方法
| 名稱 | Description |
|---|---|
| DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode) |
創建 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector，利用 SRCNN 演算法偵測整個輸入的時間序列異常。 |
| DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions) |
創建 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector，利用 SRCNN 演算法偵測整個輸入的時間序列異常。 |
| DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double) |
在時間序列資料中，季節性（或稱週期性）是指在特定規律間隔（如每週、每月或每季）出現變化的存在。 此方法透過採用傅立葉分析技術來偵測這個可預測的區間（或週期）。 假設輸入值的時間區間相同（例如，每秒收集的感測器資料依時間戳排序），此方法會接收時間序列資料清單，若能找到可預測的波動或模式，且在此期間內反覆出現或重複，則回傳輸入季節資料的正常週期。 若未發現此類模式，也就是輸入值不遵循季節性波動，則回 -1。 |
| LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double) |
創建 RootCause，利用決策樹演算法定位根本原因。 |
| LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double) |
輸出一個有序的 s 列表 RootCause。 順序對應於哪個已準備好的原因最有可能成為根本原因。 |