异常检测
重要
对机器学习工作室（经典）的支持将于 2024 年 8 月 31 日结束。 建议在该日期之前转换到 Azure 机器学习。
从 2021 年 12 月 1 日开始，你将无法创建新的机器学习工作室（经典）资源。 在 2024 年 8 月 31 日之前，可继续使用现有的机器学习工作室（经典）资源。
ML 工作室（经典）文档即将停用，将来可能不会更新。
本文介绍机器学习 Studio 中提供的用于异常检测 (经典) 的模块。 异常情况检测包含机器学习中的许多重要任务：
- 识别潜在的欺诈交易。
- 指示发生了网络入侵的学习模式。
- 发现异常的患者群集。
- 检查输入系统的值。
根据定义，异常情况属于罕见事件，因此很难收集具有代表性的数据样本用于建模。 此类别中包含的算法是专门设计用来解决使用不平衡数据集建立和定型模型的核心挑战。
异常情况检测模块
机器学习 Studio (经典) 提供了可用于创建异常检测模型的以下模块。 只需将模块拖入试验即可开始使用模型。
设置模型参数后，必须使用标记的数据集和 定型异常情况检测模型 定型模块来训练该模型。 结果就是一个训练后的模型，您可以使用该模型来测试新数据。 为此，请使用 "所有用途" 评分模型 模块。
有关这些模块如何协同工作的示例，请参阅 Cortana Intelligence Gallery 中的异常检测：信用风险试验。
相关任务
时序异常检测 是一种新的模块，与其他异常情况检测模型有点不同。 时序异常情况检测模块适用于时序数据。 它旨在用于分析一段时间内的趋势。 该算法识别时序数据中可能的异常趋势。 它标志与趋势的方向或数量级的偏差。
Azure 还提供了机器学习异常检测 API，可将其作为 web 服务调用。
模块列表
异常情况检测类别包括以下模块：
- 单类支持向量机：为异常检测创建单类支持向量机模型。
- 基于 PCA 的异常检测：使用主体组件分析创建异常检测模型。