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.i.d.) временных рядах на основе оценки плотности адаптивного 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 столбец должен содержать SingleSingle значение, указывающее значение в метке времени в временных рядах.
Он создает столбец, который является вектором с 3 элементами. Выходной вектор последовательно содержит уровень оповещений (ненулевое значение означает точку изменения), оценку и p-значение.
Характеристики оценщика
| Нужно ли этому оценщику просмотреть данные для обучения параметров? | нет |
| Тип данных входного столбца | Single |
| Тип данных выходного столбца | 3-элементный векторDouble |
| Экспортируемый в ONNX | нет |
Характеристики оценщика
| Задача машинного обучения | Обнаружение аномалий |
| Требуется ли нормализация? | нет |
| Требуется ли кэширование? | нет |
| Обязательный NuGet в дополнение к Microsoft.ML | Microsoft.ML.TimeSeries |
Сведения о алгоритме обучения
Этот тренер предполагает, что точки данных, собранные в временных рядах, независимо отбираются из одного распределения (независимо распределенного одинаково). Таким образом, значение в текущей метке времени можно рассматривать как значение в следующей метке времени в ожидании. Если наблюдаемое значение в метке времени $t-1$ равно $p$, прогнозируемое значение по метке времени $t$ будет также $p$.
Оценка аномалий
После вычисления необработанной оценки на метке времени он будет отправляться компоненту оценки аномалий, чтобы вычислить окончательную оценку аномалий в этой метке времени.
Обнаружение пиковых значений на основе P-значения
Оценка p-значения указывает, является ли текущая точка выбросом (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 вычисленной необработанной оценки в соответствии с распределением необработанных оценок. Здесь распределение оценивается на основе последних необработанных значений оценки до определенной глубины в истории. В частности, это распределение оценивается с помощью оценки плотности ядра с ядрами Gaussian адаптивной пропускной способности.
Если оценка p-значения превышает $1 – \frac{\text{достоверность}}{100}$, связанная метка времени может получить ненулевое значение оповещения при обнаружении пиков, что означает обнаружение точки пиков. Обратите внимание, что $\text{confidence}$ определен в сигнатурах DetectIidSpike и DetectSpikeBySsa.
Ознакомьтесь с разделом "См. также" ссылки на примеры использования.
Методы
| Fit(IDataView) |
Обнаружение всплеска сигнала на независимо распределенном (i.i.d.) временных рядах на основе оценки плотности адаптивного ядра. (Унаследовано от TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Распространение схемы для преобразователей. Возвращает выходную схему данных, если входная схема похожа на указанную. |
Методы расширения
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Добавьте "контрольную точку кэширования" в цепочку оценщика. Это обеспечит обучение подчиненных оценщиков на основе кэшированных данных. Рекомендуется создать контрольную точку кэширования перед обучением, которые принимают несколько передач данных. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Учитывая оценщик, возвращает объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было в форме, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако, в то же время, IEstimator<TTransformer> часто формируются в конвейеры со многими объектами, поэтому нам может потребоваться построить цепочку оценщиков, где EstimatorChain<TLastTransformer> оценщик, для которого мы хотим получить преобразователь, похоронен где-то в этой цепочке. В этом сценарии мы можем подключить делегат, который будет вызываться после вызова соответствия. |