Entraîner un modèle de détection des anomalies
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
Forme un modèle de détection d’anomalie sur un jeu d’apprentissage
catégorie : Machine Learning/Train
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
Vue d’ensemble du module
cet article explique comment utiliser le module former le modèle de détection d’anomalies dans Machine Learning pour créer un modèle de détection d’anomalies formé.
Le module prend comme entrée un ensemble de paramètres de modèle pour le modèle de détection d’anomalies, tel que celui produit par le module de machine à vecteurs de support à une classe , et un DataSet sans étiquette. Il renvoie un modèle de détection d’anomalie formé, ainsi qu’un jeu d’étiquettes pour les données d’apprentissage.
pour plus d’informations sur les algorithmes de détection d’anomalies fournis dans Machine Learning, consultez les rubriques suivantes :
Comment configurer le module Effectuer l’apprentissage du modèle de détection d’anomalie
Ajoutez le module former le modèle de détection d’anomalies à votre expérience dans Studio (Classic). vous pouvez trouver le module sous Machine Learning, dans la catégorie Train .
Connecter l’un des modules conçus pour la détection d’anomalies, tels que la détection d’anomalie basée sur PCA ou la Machine à vecteurs de Support à une classe.
Les autres types de modèles ne sont pas pris en charge ; lors de l’exécution de l’expérience, vous obtiendrez l’erreur : tous les modèles doivent avoir le même type d’apprentissage.
Configurez le module de détection d’anomalie en choisissant la colonne d’étiquette et en définissant d’autres paramètres spécifiques à l’algorithme.
Attachez un jeu de données d’apprentissage à l’entrée de droite du modèle de détection d’anomalie de train.
Exécutez l’expérience.
Résultats
Une fois l’apprentissage terminé :
Pour afficher les paramètres du modèle, cliquez avec le bouton droit sur le module et sélectionnez Visualiser.
Pour créer des prédictions, utilisez le modèle de score avec les nouvelles données d’entrée.
Pour enregistrer un instantané du modèle formé, cliquez avec le bouton droit sur la sortie du modèle formé , puis sélectionnez Enregistrer sous.
Exemples
pour obtenir un exemple de la façon dont la détection des anomalies est implémentée dans Machine Learning, consultez la Azure AI Gallery:
Détection des fraudes en ligne: fournit une procédure pas à pas détaillée d’un scénario de détection d’anomalies, notamment comment concevoir des fonctionnalités et interpréter les résultats d’un algorithme.
Détection des anomalies : risque de crédit: illustre l’utilisation de la machine à vecteurs de support à une classe et des modules de détection d’anomalies basés sur PCA pour la détection des fraudes.
Entrées attendues
| Nom | Type | Description |
|---|---|---|
| Untrained model (Modèle non entraîné) | Interface ILearner | Modèle de détection d'anomalies non formé |
| Dataset | Table de données | Source de données d'entrée |
Sorties
| Nom | Type | Description |
|---|---|---|
| Modèle entraîné | Interface ILearner | Modèle de détection d'anomalies formé |
Exceptions
| Exception | Description |
|---|---|
| Erreur 0003 | Cette exception se produit si une ou plusieurs entrées sont null ou vide. |
pour obtenir la liste des erreurs spécifiques aux modules Studio (classiques), consultez Machine Learning codes d’erreur.
pour obtenir la liste des exceptions d’api, consultez Machine Learning les Codes d’erreur de l' api REST.