Gemiddeld filter verplaatsen

Hiermee wordt een zwevend gemiddelde filter gemaakt dat wordt gebruikt om gegevens vloeiend te maken voor trend analyse

Categorie: gegevens transformatie/filter

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.

Module overzicht

In dit artikel wordt beschreven hoe u de module zwevend gemiddelde filter in azure machine learning Studio (klassiek) kunt gebruiken om een reeks van eenzijdige of tweezijdige gemiddelden te berekenen voor een gegevensset, waarbij u de lengte van een venster opgeeft.

Nadat u een filter hebt gedefinieerd dat aan uw behoeften voldoet, kunt u dit Toep assen op geselecteerde kolommen in een gegevensset door deze te verbinden met de module filter Toep assen . De module voert alle berekeningen uit en vervangt waarden in numerieke kolommen met het bijbehorende zwevende gemiddelde.

U kunt het resulterende zwevende gemiddelde voor het uitzetten en visualisatie gebruiken als een nieuwe vloeiende basis lijn voor model lering, voor het berekenen van afwijkingen op basis van berekeningen voor vergelijk bare Peri Oden, enzovoort.

Tip

Wilt u gegevens uit een gegevensset filteren of ontbrekende waarden verwijderen? Gebruik in plaats daarvan deze modules:

  • Ontbrekende gegevens wissen: gebruik deze module om ontbrekende waarden te verwijderen of ontbrekende waarden te vervangen door tijdelijke aanduidingen.
  • Partitie en voor beeld: gebruik deze module om uw gegevensset te verdelen of filteren op criteria zoals een datum bereik, een specifieke waarde of reguliere expressies.
  • Clip waarden: gebruik deze module om een bereik in te stellen en alleen de waarden binnen dat bereik op te slaan.

Over het gebruik van zwevende gemiddelden

Dit type gemiddelde helpt u bij het weer geven en prognose van bruikbare tijdelijke patronen in retroactieve en realtime gegevens. Het eenvoudigste type zwevend gemiddelde begint bij een deel van de reeks en gebruikt het gemiddelde van die positie plus de vorige n posities in plaats van de werkelijke waarde. (U kunt n definiëren als gewenst.) Hoe langer het duurt om het gemiddelde te berekenen, des te minder verschilt u tussen waarden. Wanneer u het aantal gebruikte waarden verhoogt, heeft het minder effect op een enkele waarde het resulterende gemiddelde.

Een zwevend gemiddelde kan op één of tweezijden worden geplaatst. In een eenzijdig gemiddelde worden alleen waarden voor de index waarde gebruikt. In een gemiddelde van twee zijden worden de waarden in het verleden en toekomstig gebruikt.

Voor scenario's waarin u streaminggegevens leest, zijn cumulatieve en gewogen zwevende gemiddelden bijzonder nuttig. Bij een cumulatief zwevend gemiddelde wordt rekening gehouden met de punten voor de huidige periode.

U kunt alle gegevens punten gelijkmatig belichten bij het berekenen van het gemiddelde, of u kunt ervoor zorgen dat waarden die het huidige gegevens punt bijna hoger worden gewogen. Bij een gewogen zwevend gemiddeldemoeten alle gewichten worden opgeteld bij 1.

In een exponentieel zwevend gemiddeldebestaan de gemiddelden uit een kop en een staart, die kunnen worden gewogen. Een licht gewicht aan de onderkant betekent dat de staart nauw keurig lijkt, dus het gemiddelde gedraagt zich als een zwevend gemiddelde voor een korte periode. Wanneer het gewicht van de staart zwaarder is, gedraagt het gemiddelde zich als een langer eenvoudig zwevend gemiddelde.

Het filter zwevend gemiddelde configureren

  1. Voeg de module zwevend gemiddelde filter toe aan uw experiment. U kunt deze module vinden onder gegevens transformatiein de categorie filter .

  2. Voor lengtevoert u een positief geheel getal in dat de totale grootte van het venster definieert waarin het filter wordt toegepast. Dit wordt ook wel het filter maskergenoemd. Voor een zwevend gemiddelde bepaalt de lengte van het filter hoeveel waarden worden berekend in de sliding window.

    Langere filters worden ook wel hogere order filters genoemd en bieden een grotere berekenings venster en een nauw keurige benadering van de trend lijn.

    Kortere of lagere order filters maken gebruik van een kleiner venster met berekeningen en lijkt meer op de oorspronkelijke gegevens.

  3. Kies bij typehet type zwevend gemiddelde dat moet worden toegepast.

    Azure Machine Learning Studio (klassiek) ondersteunt de volgende typen zwevende gemiddelde berekeningen:

    Eenvoudig: een eenvoudig zwevend gemiddelde (SMA) wordt berekend als een niet-gewogen voortschrijdende gemiddelde.

    Drie hoek: drie hoekige voortschrijdende gemiddelden (TMA) zijn twee keer gemiddeld voor een vloeiende trend lijn. Het drie hoek woord wordt afgeleid van de vorm van de gewichten die worden toegepast op de gegevens, waardoor de centrale waarden worden benadrukt.

    Exponentieel eenvoudig: een exponentieel zwevend gemiddelde (EMA) geeft meer gewicht aan de meest recente gegevens. De weging wordt exponentieel afgebroken.

    Exponentieel: een aangepast exponentieel zwevend gemiddelde berekent een lopend zwevend gemiddelde, waarbij het zwevend gemiddelde in één punt het eerder berekende zwevende gemiddelde op alle voor gaande punten beschouwt. Deze methode levert een vloeiendere trend lijn op.

    Cumulatief: op basis van één punt en een huidig zwevend gemiddelde berekent het cumulatieve zwevende gemiddelde (CMA) het zwevende gemiddelde op het huidige punt.

  4. Voeg de gegevensset toe met de waarden waarvoor u een zwevend gemiddelde wilt berekenen en voeg de module filter Toep assen toe.

    Verbind het zwevend gemiddelde-filter naar de linker invoer van het filter Toep assenen verbind de gegevensset met de juiste invoer.

  5. Gebruik in de Filter module Toep assen de kolom kiezer om op te geven in welke kolommen het filter moet worden toegepast. Standaard wordt de filter transformatie toegepast op alle numerieke kolommen. Zorg er dus voor dat u geen kolommen sluit die de juiste gegevens bevatten.

  6. Voer het experiment uit.

    Voor elke set waarden die wordt gedefinieerd door de filter lengte para meter, wordt de huidige (of index) waarde vervangen door de waarde voor zwevend gemiddelde.

Voorbeelden

Voor voor beelden van hoe filters worden gebruikt in machine learning raadpleegt u dit experiment in de Azure AI Gallery:

  • Filters: in dit experiment worden alle filter typen gedemonstreerd met behulp van een met een engine gevormde Waveform-gegevensset.

Module parameters

Naam Bereik Type Standaard Beschrijving
Lengte >= 1 Geheel getal 5 De lengte van het venster zwevend gemiddelde instellen
Type Alle MovingAverageType Geef het type zwevend gemiddelde op dat moet worden gemaakt

Outputs

Naam Type Beschrijving
Filteren IFilter-interface Filter implementatie

Zie ook

Filterwebonderdelen
Filter Toep assen
Module lijst a-Z
Extra filter voorbeelden