IidSpikeEstimator 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。
根據自適應核密度估計，在 獨立同分布（i.i.d.） 時間序列上偵測訊號尖峰。
public sealed class IidSpikeEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.TimeSeries.IidSpikeDetector>type IidSpikeEstimator = class
inherit TrivialEstimator<IidSpikeDetector>Public NotInheritable Class IidSpikeEstimator
Inherits TrivialEstimator(Of IidSpikeDetector)- 繼承
備註
要建立這個估計器，請使用 DetectIidSpike。
輸入與輸出欄位
只有一個輸入欄位。 輸入欄位必須是 Single 某 Single 個值表示時間序列中某個時間戳記值的地方。
它會產生一個包含三個元素的向量欄位。 輸出向量依序包含警示等級（非零值代表變更點）、分數及 p 值。
估算器特性
| 這個估計器需要查看資料來訓練參數嗎？ | No |
| 輸入欄位資料型別 | Single |
| 輸出欄位資料型態 | 三元素向量Double |
| 可匯出至 ONNX | No |
估算器特性
| 機器學習任務 | 異常偵測 |
| 需要正規化嗎？ | No |
| 快取是必須的嗎？ | No |
| 除了 Microsoft.ML 之外，必須使用 NuGet | Microsoft.ML.TimeSeries |
訓練演算法細節
此訓練器假設時間序列中收集的資料點是從相同分布（獨立且同分布）獨立抽樣而來。 因此，當前時間戳的值可視為期望值下下一個時間戳的值。 若在時間戳記$t-1$時觀察值為$p$，則在$t$時間戳時的預測值也會是$p$。
異常記分員
計算出時間戳的原始分數後，會送入異常評分器元件，以計算該時間戳的最終異常分數。
基於p值的尖峰偵測
p 值分數表示當前點是否為異常值（也稱為尖峰）。 價值越低，越可能是尖峰。 p 值分數總是以 $[0， 1]$ 為單位。
此分數為根據原始分數分布計算出的當前原始分數的p值。 此處，分布是根據歷史中最近最深的原始分數值估算。 更具體地說，此分布是利用自適應頻寬的高斯核的核密度估計。
若 p 值分數超過 $1 - \frac{\text{confidence}}${100}，相關時間戳可能會在尖峰偵測中獲得非零警示值，表示偵測到尖峰點。 請注意，$\text{confidence}$ 是在 DetectIidSpike 和 DetectSpikeByssa 的簽名中定義的。
請參考「參見」區塊，裡面有使用範例的連結。
方法
| 名稱 | Description |
|---|---|
| Fit(IDataView) |
根據自適應核密度估計，在 獨立同分布（i.i.d.） 時間序列上偵測訊號尖峰。 (繼承來源 TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
變換器（transformer）的結構傳播。 如果輸入模式與提供的相同，則會回傳資料的輸出結構。 |
擴充方法
| 名稱 | Description |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
在估計鏈中附加一個「快取檢查點」。 這將確保下游估計器能針對快取資料進行訓練。 在訓練師接受多次資料通行前設置快取檢查點會很有幫助。 |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
給定一個估計器，回傳一個包裹物件，該物件會呼叫一次 Fit(IDataView) 代理。 估計器通常回傳擬合的資訊很重要，因此該 Fit(IDataView) 方法回傳一個特定型別的物件，而非一般 ITransformer的 。 然而，同時， IEstimator<TTransformer> 通常會被組成包含許多物件的管線，因此我們可能需要建立一條估計鏈，將 EstimatorChain<TLastTransformer> 我們想要取得變壓器的估計器埋藏在這條鏈的某處。 在這種情況下，我們可以透過此方法附加一個代理，當 fit 被呼叫時會被呼叫。 |