IidSpikeEstimator 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。
根据自适应内核密度估计，检测 独立相同分布 (i.i.d.) 时序上的信号峰值。
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)- 继承
注解
若要创建此估算器，请使用 DetectIidSpike。
输入和输出列
只有一个输入列。 输入列必须是 Single 一个 Single 值指示时序中时间戳的值的位置。
它生成一个包含 3 个元素的向量列。 输出向量按顺序包含警报级别 (非零值意味着更改点) 、评分和 p 值。
估算器特征
| 此估算器是否需要查看数据来训练其参数？ | 否 |
| 输入列数据类型 | Single |
| 输出列数据类型 | 3 元素向量Double |
| 可导出到 ONNX | 否 |
估算器特征
| 机器学习任务 | 异常检测 |
| 是否需要规范化？ | 否 |
| 是否需要缓存？ | 否 |
| 除 Microsoft.ML 以外，还需要 NuGet | Microsoft.ML.TimeSeries |
训练算法详细信息
此训练器假定在时序中收集的数据点独立于同一分布 (独立分布) 采样。 因此，当前时间戳处的值可被视为预期下一个时间戳中的值。 如果时间戳的观测值$t-1$ 为 $p$，则$t$ 时间戳的预测值也将$p$ 。
异常评分器
计算时间戳中的原始分数后，它会馈送到异常评分器组件，以计算该时间戳的最终异常分数。
基于 p-value 的峰值检测
p 值分数指示当前点是否为离群值 (也称为峰值) 。 其值越低，越有可能是峰值。 p 值分数始终为 $[0， 1]$。
根据原始分数的分布，此分数是当前计算的原始分数的 p 值。 此处，根据最新的原始分数值估计分布，这些分数值可追溯到历史记录中的特定深度。 更具体地说，此分布是使用 内核密度估计 与自适应带宽的 Gaussian 内核 一起使用的。
如果 p 值分数超过 $1 - \frac{\text{confidence}}${100}，则关联的时间戳可能会在峰值检测中获取非零警报值，这意味着检测到峰值点。 请注意，$\text{confidence}$ 在 DetectIidSpike 和 DetectSpikeBySsa 的签名中定义。
有关使用示例的链接，请查看“另请参阅”部分。
方法
| Fit(IDataView) |
根据自适应内核密度估计，检测 独立相同分布 (i.i.d.) 时序上的信号峰值。 (继承自 TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
转换器的架构传播。 如果输入架构与提供的架构类似，则返回数据的输出架构。 |
扩展方法
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
将“缓存检查点”追加到估算器链。 这将确保根据缓存的数据训练下游估算器。 在执行多个数据传递的训练器之前，拥有缓存检查点会很有帮助。 |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
给定估算器后，返回一个包装对象，该对象将调用委托一次 Fit(IDataView) 。 估算器通常必须返回有关适合的内容的信息，这就是为什么 Fit(IDataView) 该方法返回特定类型化对象的原因，而不仅仅是常规 ITransformer对象。 但是，同时， IEstimator<TTransformer> 通常形成为包含许多对象的管道，因此，我们可能需要通过 EstimatorChain<TLastTransformer> 估算器链生成一个估算器链，以便将转换器埋在此链中的某个位置。 对于该方案，我们可以通过此方法附加一个委托，该委托将在调用拟合后调用。 |