TimeSeriesCatalog Klasse

Definition

Namespace:

Microsoft.ML

Assembly:

Microsoft.ML.TimeSeries.dll

Paket:

Microsoft.ML.TimeSeries v2.0.0

public static class TimeSeriesCatalog

type TimeSeriesCatalog = class

Public Module TimeSeriesCatalog

Vererbung

Object

TimeSeriesCatalog

Methoden

DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	Erstellen Sie SrCnnAnomalyEstimator, wodurch Zeitserien-Anomalien mithilfe des SRCNN-Algorithmus erkannt werden.
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Erstellen Sie SsaChangePointEstimator, welche Änderungspunkte in der Zeitreihe mithilfe von Singular Spectrum Analysis (SSA) vorhersagt.
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	Veraltet. Erstellen Sie SsaChangePointEstimator, welche Änderungspunkte in der Zeitreihe mithilfe von Singular Spectrum Analysis (SSA) vorhersagt.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	Erstellen Sie Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, die Zeitserien-Anomalien für die gesamte Eingabe mithilfe des SRCNN-Algorithmus erkennt.
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	Erstellen Sie Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector, die Zeitserien-Anomalien für die gesamte Eingabe mithilfe des SRCNN-Algorithmus erkennt.
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	Erstellen Sie IidChangePointEstimator, welche Änderungspunkte in einer unabhängigen identisch verteilten (i.i.d.) Zeitreihe basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhersagt.
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	Veraltet. Erstellen Sie IidChangePointEstimator, welche Änderungspunkte in einer unabhängigen identisch verteilten (i.i.d.) Zeitreihe basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhersagt.
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Erstellen Sie IidSpikeEstimator, die Spitzen in unabhängigen identisch verteilten (i.i.d.) Zeitreihen basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhersagt.
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	Veraltet. Erstellen Sie IidSpikeEstimator, die Spitzen in unabhängigen identisch verteilten (i.i.d.) Zeitreihen basierend auf adaptiven Kerneldichteschätzungen und Martingale-Bewertungen vorhersagt.
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	In Zeitreihendaten ist die Saisonalität (oder Periodizität) die Anwesenheit von Variationen, die in bestimmten regelmäßigen Abständen auftreten, z. B. wöchentlich, monatlich oder vierteljährlich. Diese Methode erkennt dieses vorhersagbare Intervall (oder einen Zeitraum) durch Die Annahme von Techniken der Fourieranalyse. Wenn die Eingabewerte das gleiche Zeitintervall aufweisen (z. B. sensorische Daten, die in jeder zweiten Reihenfolge nach Zeitstempeln gesammelt werden), verwendet diese Methode eine Liste der Zeitreihendaten und gibt den regulären Zeitraum für die Eingabesaisondaten zurück, wenn eine vorhersagbare Schwankung oder ein Muster gefunden werden kann, dass in diesem Zeitraum während der Eingabewerte rekursiert oder wiederholt wird. Gibt -1 zurück, wenn kein solches Muster gefunden wird, also die Eingabewerte, folgen keine saisonalen Schwankungen.
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Erstellen Sie SsaSpikeEstimator, was Spitzen in der Zeitreihe mit Singular Spectrum Analysis (SSA) vorausgibt.
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	Veraltet. Erstellen Sie SsaSpikeEstimator, was Spitzen in der Zeitreihe mit Singular Spectrum Analysis (SSA) vorausgibt.
ForecastBySsa(ForecastingCatalog, String, String, Int32, Int32, Int32, Int32, Boolean, Single, RankSelectionMethod, Nullable<Int32>, Nullable<Int32>, Boolean, Boolean, Nullable<GrowthRatio>, String, String, Single, Boolean)	Singular Spectrum Analysis (SSA)-Modell für univariate Zeitreihenvorhersagen. Weitere Informationen zum Modell finden Sie unter http://arxiv.org/pdf/1206.6910.pdf.
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Erstellen Sie RootCause, welche Stammursachen mithilfe des Entscheidungsstrukturalgorithmus lokalisiert werden.
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	Gibt eine sortierte Liste von RootCauses aus. Die Reihenfolge entspricht der ursachebereiten Ursache ist wahrscheinlich die Ursache.