AnomalyDetectionCatalog 类

定义

重要

一些信息与预发行产品相关，相应产品在发行之前可能会进行重大修改。对于此处提供的信息，Microsoft 不作任何明示或暗示的担保。

用于 MLContext 创建异常情况检测组件的实例（如训练器和计算器）的类。

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase

type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase

Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase

异常情况检测的训练程序列表。

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)	使用指定的 AnomalyPredictionTransformer<TModel> 创建一个新的 `threshold`。如果提供的`threshold`阈值与它只返回`model`的`model`阈值相同。请注意，默认情况下阈值为 0.5，有效分数范围为 0 到 1。
Evaluate(IDataView, String, String, String, Int32)	评估评分的异常情况检测数据。

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	创建 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector，它使用 SRCNN 算法检测整个输入的超时异常。
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	创建 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector，它使用 SRCNN 算法检测整个输入的超时异常。
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	在时序数据中，季节性 (或周期性) 是在特定定期间隔（如每周、每月或季度）发生的变体的存在。此方法通过采用四叶分析技术检测此可预测的间隔 (或周期) 。假设输入值具有相同的时间间隔 (，例如，按时间戳) 每秒收集的传感器数据，此方法采用时序数据列表，并返回输入季节性数据的常规周期，如果可预测的波动或模式可以在输入值期间内循环或重复。如果未找到此类模式，则返回 -1，即输入值不遵循季节性波动。
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	创建 RootCause，它使用决策树算法本地化根本原因。
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	输出有序列表 RootCause。顺序对应于准备的原因最有可能是根本原因。