Preparar Modelo de Deteção de Anomalias
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Treina um modelo de deteção de anomalias num conjunto de treino
Categoria: Machine Learning / Comboio
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Visão geral do módulo
Este artigo descreve como utilizar o módulo de deteção de anomalias de comboio em Machine Learning para criar um modelo de deteção de anomalias treinado.
O módulo toma como entrada um conjunto de parâmetros de modelo para modelo de deteção de anomalias, como o produzido pelo módulo de máquina de vetor de suporte de uma classe , e um conjunto de dados não rotulado. Devolve um modelo de deteção de anomalias treinado, juntamente com um conjunto de rótulos para os dados de treino.
Para obter mais informações sobre os algoritmos de deteção de anomalias fornecidos em Machine Learning, consulte estes tópicos:
Como configurar o modelo de deteção de anomalias de comboio
Adicione o módulo modelo de deteção de anomalia de comboio à sua experiência em Studio (clássico). Pode encontrar o módulo em Machine Learning, na categoria Comboio.
Ligação um dos módulos concebidos para a deteção de anomalias, tais como deteção de anomalias baseadas em PCA ou máquina de vetor de suporte de uma classe.
Outros tipos de modelos não são suportados; ao executar a experiência terá o erro: Todos os modelos devem ter o mesmo tipo de aprendiz.
Configure o módulo de deteção de anomalias escolhendo a coluna do rótulo e definindo outros parâmetros específicos do algoritmo.
Anexar um conjunto de dados de treino à entrada direita do Modelo de Deteção de Anomalias de Comboio.
Execute a experimentação.
Resultados
Após o treino estar completo:
Para visualizar os parâmetros do modelo, clique com o botão direito no módulo e selecione Visualize.
Para criar previsões, utilize o Score Model com novos dados de entrada.
Para guardar uma imagem do modelo treinado, clique com o botão direito na saída do Modelo Treinado e selecione Save As.
Exemplos
Para um exemplo de como a deteção de anomalias é implementada em Machine Learning, consulte a Galeria Azure AI:
Deteção de Fraudes on-line: Fornece uma passagem detalhada de um cenário de deteção de anomalias, incluindo como projetar funcionalidades e interpretar os resultados de um algoritmo.
Deteção de anomalias: Risco de Crédito: Ilustra como utilizar a máquina de vetor de suporte de uma classe e módulos de deteção de anomalias baseados em PCA para deteção de fraudes.
Entradas esperadas
| Nome | Tipo | Description |
|---|---|---|
| Modelo destreinado | Interface ILearner | Modelo de deteção de anomalias não treinados |
| Conjunto de dados | Tabela de Dados | Fonte de dados de entrada |
Saídas
| Nome | Tipo | Description |
|---|---|---|
| Modelo treinado | Interface ILearner | Modelo de deteção de anomalias treinadas |
Exceções
| Exceção | Description |
|---|---|
| Erro 0003 | A exceção ocorre se uma ou mais entradas forem nulas ou vazias. |
Para obter uma lista de erros específicos dos módulos Studio (clássicos), consulte Machine Learning Códigos de Erro.
Para obter uma lista de exceções da API, consulte Machine Learning CÓDIGOs de Erro da API REST.