SsaSpikeEstimator 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 пиков временных рядов с помощью анализа сингулярного спектра.
public sealed class SsaSpikeEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaSpikeDetector>type SsaSpikeEstimator = class
interface IEstimator<SsaSpikeDetector>Public NotInheritable Class SsaSpikeEstimator
Implements IEstimator(Of SsaSpikeDetector)- Наследование
-
SsaSpikeEstimator
- Реализации
Комментарии
Чтобы создать этот оценщик, используйте DetectSpikeBySsa
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
| Должен ли этот оценщик просмотреть данные для обучения его параметров? | Да |
| Тип данных входного столбца | Single |
| Тип данных выходного столбца | Вектор из 3 элементов Double |
| Экспортируемый в ONNX | Нет |
Характеристики оценщика
| Задача машинного обучения | Обнаружение аномалий |
| Требуется ли нормализация? | Нет |
| Требуется ли кэширование? | Нет |
| Требуется NuGet в дополнение к Microsoft.ML | Microsoft.ML.TimeSeries |
Сведения об алгоритме обучения
Этот класс реализует общее преобразование обнаружения аномалий на основе анализа сингулярного спектра (SSA). SSA — это мощная платформа для разложения временных рядов на компоненты тренда, сезонности и шума, а также прогнозирования будущих значений временных рядов. В принципе SSA выполняет спектральный анализ входных временных рядов, где каждый компонент в спектре соответствует тренду, сезонному или шумному компоненту в временных рядах. Дополнительные сведения об анализе сингулярного спектра (SSA) см. в этом документе.
Оценка аномалий
После вычисления необработанной оценки в метке времени он будет отправляться компоненту оценки аномалий, чтобы вычислить окончательную оценку аномалий на этой метке времени.
Обнаружение пиков 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 всплеск. Оценка p-value всегда находится в $[0, 1]$.
Эта оценка представляет собой p-значение текущей вычисляемой 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 гаусскими ядрами 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.
Ссылки на примеры использования см. в разделе "См. также".
Методы
| Fit(IDataView) |
Обучить и вернуть преобразователь. |
| GetOutputSchema(SchemaShape) |
Распространение схемы для преобразователей. Возвращает схему вывода данных, если входная схема похожа на указанную. |
Методы расширения
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Добавьте "контрольную точку кэширования" в цепочку оценщика. Это гарантирует, что подчиненные оценщики будут обучены на основе кэшированных данных. Рекомендуется использовать контрольную точку кэширования перед обучением, которые принимают несколько данных. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Учитывая оценщик, верните объект-оболочку, который будет вызывать делегат один раз Fit(IDataView) . Часто важно, чтобы оценщик возвращал сведения о том, что было положено, поэтому Fit(IDataView) метод возвращает специально типизированный объект, а не просто общий ITransformer. Однако в то же время часто IEstimator<TTransformer> формируются в конвейеры со многими объектами, поэтому нам может потребоваться создать 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. |