Treinar um modelo de detecção de anomalias
Importante
O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.
A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).
- Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning.
A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.
Treina um modelo de detecção de anomalias em um conjunto de treinamento
categoria: Machine Learning/treinar
Observação
aplica-se a: somente Machine Learning Studio (clássico)
Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.
Visão geral do módulo
este artigo descreve como usar o módulo treinar modelo de detecção de anomalias no Machine Learning para criar um modelo de detecção de anomalias treinado.
O módulo usa como entrada um conjunto de parâmetros de modelo para o modelo de detecção de anomalias, como aquele produzido pelo módulo máquina de vetor de suporte de uma classe e um conjunto de dados sem rótulo. Ele retorna um modelo de detecção de anomalias treinado, bem como um conjunto de rótulos para os dados de treinamento.
para obter mais informações sobre os algoritmos de detecção de anomalias fornecidos no Machine Learning, consulte estes tópicos:
Como configurar o Treinar Modelo de Detecção de Anomalias
Adicione o módulo treinar modelo de detecção de anomalias ao seu experimento no estúdio (clássico). você pode encontrar o módulo em Machine Learning, na categoria treinar .
Conexão um dos módulos criados para detecção de anomalias, como detecção de anomalias baseada em PCA ou máquina de vetor de suporte de uma classe.
Não há suporte para outros tipos de modelos; ao executar o experimento, você receberá o erro: todos os modelos devem ter o mesmo tipo de aprendiz.
Configure o módulo de detecção de anomalias. Escolha a coluna de rótulo e defina os outros parâmetros específicos para o algoritmo.
Anexe um conjunto de dados de treinamento à entrada do lado direito do modelo de detecção de anomaliasde treinamento.
Execute o experimento.
Resultados
Após a conclusão do treinamento:
Para exibir os parâmetros do modelo, clique com o botão direito do mouse no módulo e selecione Visualizar.
Para criar previsões, use o modelo de Pontuação com novos dados de entrada.
Para salvar um instantâneo do modelo treinado, clique com o botão direito do mouse na saída do modelo treinado e selecione salvar como.
Exemplos
para obter um exemplo de como a detecção de anomalias é implementada no Machine Learning, consulte a Galeria de IA do Azure:
Detecção de fraudes online: fornece uma explicação detalhada de um cenário de detecção de anomalias, incluindo como desenvolver recursos e interpretar os resultados de um algoritmo.
Detecção de anomalias: risco de crédito: ilustra como usar o computador de vetor de suporte de uma classe e módulos de detecção de anomalias baseados em PCA para detecção de fraudes.
Entradas esperadas
| Nome | Tipo | Descrição |
|---|---|---|
| Modelo não treinado | Interface ILearner | Modelo de detecção de anomalias não relacionado ao treinamento |
| Dataset | Tabela de Dados | Fonte de dados de entrada |
Saídas
| Nome | Tipo | Descrição |
|---|---|---|
| Modelo treinado | Interface ILearner | Modelo de detecção de anomalias treinado |
Exceções
| Exceção | Descrição |
|---|---|
| Erro 0003 | Ocorrerá uma exceção se uma ou mais das entradas for nula ou estiver vazia. |
para obter uma lista de erros específicos para módulos do Studio (clássicos), consulte Machine Learning códigos de erro.
para obter uma lista de exceções de api, consulte Machine Learning códigos de erro da api REST.