Detección de anomalías

Nota

Se aplica a: machine learning Studio (clásico)

Este contenido solo pertenece a Studio (clásico). Se han agregado módulos similares de arrastrar y colocar al diseñador de Azure Machine Learning. Obtenga más información en este artículo comparativa de las dos versiones.

En este artículo se presentan los módulos proporcionados en Azure Machine Learning Studio (clásico) para la detección de anomalías. La detección de anomalías engloba muchas tareas importantes de aprendizaje automático:

  • La identificación de transacciones potencialmente fraudulentas.
  • El aprendizaje de patrones que indican que se ha producido una intrusión de red.
  • La búsqueda de clústeres anómalos de pacientes.
  • La comprobación de los valores especificados en un sistema.

Dado que las anomalías son eventos excepcionales por definición, puede ser difícil recopilar una muestra representativa de datos que usar en el modelado. Los algoritmos que se incluyen en esta categoría se han diseñado especialmente para abordar los principales desafíos de compilar y entrenar modelos mediante el uso de conjuntos de datos desequilibrados.

Módulos de detección de anomalías

Machine Learning Studio (clásico) proporciona los siguientes módulos que puede usar para crear un modelo de detección de anomalías. Basta con arrastrar el módulo hasta el experimento para empezar a trabajar con el modelo.

Después de establecer los parámetros del modelo, debe entrenar el modelo mediante un conjunto de datos etiquetado y el módulo entrenar modelo de detección de anomalías . El resultado es un modelo entrenado que puede usar para probar los datos nuevos. Para ello, use el módulo puntuar modelo de puntuación para todos los propósitos.

Para ver un ejemplo de cómo funcionan conjuntamente estos módulos, consulte la detección de anomalías: experimento de riesgo de crédito en la galería de Cortana Intelligence.

La detección de anomalías de serie temporal es un nuevo módulo que es un poco distinto de los demás modelos de detección de anomalías. El módulo detección de anomalías de serie temporal está diseñado para los datos de series temporales. Está diseñado para analizar las tendencias a lo largo del tiempo. El algoritmo identifica las tendencias potencialmente anómalas en los datos de serie temporal. Marca las desviaciones de la dirección o magnitud de la tendencia.

Azure también proporciona la API de detección de anomalías machine learning, a la que puede llamar como servicio Web.

Sugerencia

Si no está seguro de si la detección de anomalías es el algoritmo adecuado para usar con los datos, consulte estas guías:

Lista de módulos

La categoría detección de anomalías incluye los siguientes módulos:

Consulte también