Anomaliedetectie

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

In dit artikel worden de modules geïntroduceerd die in Azure Machine Learning Studio (klassiek) zijn opgenomen voor anomalie detectie. Anomalie detectie omvat veel belang rijke taken in machine learning:

  • Het identificeren van trans acties die mogelijk frauduleus zijn.
  • Leer patronen die aangeven dat er een netwerk binnenkomt.
  • Het vinden van abnormale clusters van patiënten.
  • Het controleren van waarden die zijn ingevoerd in een systeem.

Omdat afwijkingen zeldzame gebeurtenissen per definitie zijn, kan het lastig zijn om een representatief voor beeld van gegevens te verzamelen die voor het model leren moeten worden gebruikt. De algoritmen die in deze categorie zijn opgenomen, zijn vooral ontworpen om de belangrijkste uitdagingen van bouw-en trainings modellen te verhelpen door gebruik te maken van niet-sluitende gegevens sets.

Afwijkingen detectie modules

Machine Learning Studio (klassiek) biedt de volgende modules die u kunt gebruiken om een anomalie detectie model te maken. Sleep de module naar het experiment om aan de slag te gaan met het model.

Nadat u de para meters voor het model hebt ingesteld, moet u het model trainen met behulp van een gegevensverzameling met labels en de trainings module voor anomalie detectie model trainen . Het resultaat is een getraind model dat u kunt gebruiken om nieuwe gegevens te testen. U kunt dit doen met behulp van de module voor het score model voor alle doel einden.

Zie voor een voor beeld van hoe deze modules samen werken het afwijkings detectie: Credit risico experiment in de Cortana Intelligence Gallery.

Afwijkings detectie van de tijd reeks is een nieuwe module die verschilt van de andere anomalie detectie modellen. De module voor de afwijkings detectie van de tijd reeks is ontworpen voor time series-gegevens. Het is bedoeld om te gebruiken voor het analyseren van trends in de loop van de tijd. De algoritme identificeert mogelijk afwijkende trends in de tijdreeks gegevens. Er worden afwijkingen van de richting of de grootte van de trend gemarkeerd.

Azure biedt ook de machine learning anomalie detectie-API, die u als een webservice kunt aanroepen.

Tip

Als u niet zeker weet of afwijkings detectie het juiste algoritme is voor gebruik met uw gegevens, raadpleegt u de volgende hand leidingen:

Lijst met modules

De categorie anomalie detectie omvat de volgende modules:

Zie ook