IidSpikeEstimator Класс
Определение
Важно!
Некоторые сведения относятся к предварительной версии продукта, в которую до выпуска могут быть внесены существенные изменения. Майкрософт не предоставляет никаких гарантий, явных или подразумеваемых, относительно приведенных здесь сведений.
Обнаружение всплеска сигнала на независимо распределенном (i.d.) временных рядах на основе адаптивной оценки плотности ядра.
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)- Наследование
Комментарии
Чтобы создать этот оценщик, используйте DetectIidSpike.
Входные и выходные столбцы
Существует только один входной столбец. Входной Single столбец должен бытьSingle, где значение указывает значение в метке времени в временных рядах.
Он создает столбец, который является вектором с 3 элементами. Вектор вывода последовательно содержит уровень оповещений (ненулевое значение означает точку изменения), оценку и p-значение.
Характеристики оценки
| Должен ли этот оценщик просмотреть данные для обучения его параметров? | No |
| Тип данных входного столбца | Single |
| Тип данных выходного столбца | 3-элементный векторDouble |
| Экспортируемый в ONNX | No |
Характеристики оценки
| Задача машинного обучения | Обнаружение аномалий |
| Требуется ли нормализация? | No |
| Требуется ли кэширование? | No |
| Обязательный NuGet в дополнение к Microsoft.ML | Microsoft.ML.TimeSeries |
Сведения об алгоритме обучения
Этот обучающий предполагает, что точки данных, собранные в временных рядах, независимо от того же распределения (независимо распределены одинаково). Таким образом, значение в текущей метке времени можно рассматривать как значение в следующем метке времени в ожидании. Если наблюдаемое значение в метке времени $t-1$ равно $p$, прогнозируемое значение по метке времени $t$ также будет $p$.
Оценка аномалий
После вычисления необработанной оценки на метке времени он будет переначислен компоненту оценки аномалий, чтобы вычислить окончательную оценку аномалий в этой метке времени.
Обнаружение пиков на основе p-value
Оценка p-value указывает, является ли текущая точка вылитой (также известной как пик). Чем ниже его значение, тем более вероятно, что это пик. Оценка p-value всегда находится в $[0, 1]$.
Эта оценка является p-значением текущей вычисляемой оценки в соответствии с распределением необработанных показателей. Здесь распределение оценивается на основе последних значений необработанных показателей до определенной глубины назад в истории. В частности, это распределение оценивается с помощью оценки плотности ядра с ядрами Гауссиана адаптивной пропускной способности.
Если оценка p-value превышает $1 – \frac{\text{достоверность}}${100}, связанная метка времени может получить значение ненулевых оповещений при обнаружении пиковых значений, то есть обнаруживается точка пикового значения. Обратите внимание, что $\text{достоверность}$ определен в сигнатурах DetectIidSpike и DetectSpikeBySsa.
Ознакомьтесь с разделом "См. также" ссылки на примеры использования.
Методы
| Имя | Описание |
|---|---|
| Fit(IDataView) |
Обнаружение всплеска сигнала на независимо распределенном (i.d.) временных рядах на основе адаптивной оценки плотности ядра. (Унаследовано от TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Распространение схемы для преобразователей. Возвращает выходную схему данных, если входная схема похожа на указанную. |
Методы расширения
| Имя | Описание |
|---|---|
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Добавьте "контрольную точку кэширования" в цепочку оценщика. Это гарантирует, что нижестоящий оценщик будет обучен по кэшированным данным. Рекомендуется использовать контрольную точку кэширования перед обучением, которые принимают несколько передач данных. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
При оценке возвращает объект оболочки, который вызовет делегат после Fit(IDataView) вызова. Часто важно для оценки возвращать сведения о том, что было подходяще, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры с множеством объектов, поэтому нам может потребоваться построить цепочку оценщиков с помощью EstimatorChain<TLastTransformer> того, где оценка, для которой мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова. |