Trénování modelu detekce anomálií
Důležité
Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.
Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).
- Podívejte se na informace o přesunu projektů strojového učení z ML Studia (klasického) do Azure Machine Learning.
- Další informace o Azure Machine Learning.
Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.
Trénuje model detekce anomálií na trénovací sadě.
Kategorie: Machine Learning / Train
Poznámka
Platí pro: Machine Learning Studio (classic)
Podobné moduly s přetahováním jsou k dispozici v Azure Machine Learning návrháři.
Přehled modulu
Tento článek popisuje, jak pomocí modulu Trénování modelu detekce anomálií v Machine Learning vytvořit natrénovaný model detekce anomálií.
Modul přebírá jako vstup sadu parametrů modelu pro model detekce anomálií, například sadu parametrů vytvořených modulem One-Class Support Vector Machine , a neoznačenou datovou sadu. Vrátí natrénovaný model detekce anomálií a sadu popisků pro trénovací data.
Další informace o algoritmech detekce anomálií poskytovaných v Machine Learning najdete v těchto tématech:
Jak nakonfigurovat trénování modelu detekce anomálií
Přidejte modul Trénování modelu detekce anomálií do experimentu v nástroji Studio (classic). Modul najdete v části Machine Learning, a to v kategorii Trénovat.
Připojení jeden z modulů určených pro detekci anomálií, jako je detekce anomálií na základě PCA nebo jedno třída podpůrných vektorů.
Jiné typy modelů se nepodporují. Při spuštění experimentu se zobrazí chyba: Všechny modely musí mít stejný typ učení.
Nakonfigurujte modul detekce anomálií tak, že zvolíte sloupec popisků a nastavíte další parametry specifické pro algoritmus.
Připojte trénovací datovou sadu k pravému vstupu trénování modelu detekce anomálií.
Spusťte experiment.
Výsledky
Po dokončení trénování:
Pokud chcete zobrazit parametry modelu, klikněte pravým tlačítkem na modul a vyberte Vizualizovat.
Pokud chcete vytvořit predikce, použijte Score Model (Skóre modelu ) s novými vstupními daty.
Pokud chcete uložit snímek natrénovaný model, klikněte pravým tlačítkem na výstup Natrénovaný model a vyberte Uložit jako.
Příklady
Příklad implementace detekce anomálií v Machine Learning najdete v Azure AI Gallery:
On-line detekce podvodů: Poskytuje podrobný návod ke scénáři detekce anomálií, včetně postupu při instrukci funkcí a interpretaci výsledků algoritmu.
Detekce anomálií: Credit Risk (Úvěrové riziko): Ukazuje, jak používat jedno třída podpůrných vektorů a moduly detekce anomálií založené na PCA k odhalování podvodů.
Očekávané vstupy
| Název | Typ | Description |
|---|---|---|
| Model bez trénování | ILearner – rozhraní | Model detekce netrénovaných anomálií |
| Datová sada | Tabulka dat | Vstupní zdroj dat |
Výstupy
| Název | Typ | Description |
|---|---|---|
| Natrénovaný model | ILearner – rozhraní | Natrénovaný model detekce anomálií |
Výjimky
| Výjimka | Description |
|---|---|
| Chyba 0003 | K výjimce dochází v případě, že jeden nebo více vstupů má hodnotu null nebo je prázdný. |
Seznam chyb specifických pro moduly sady Studio (classic) najdete v Machine Learning kódy chyb.
Seznam výjimek rozhraní API najdete v tématu Machine Learning REST API kódy chyb.