AnomalyDetectorClient Classe
A API Detector de Anomalias detecta anomalias automaticamente em dados de série temporal. Ele dá suporte a dois tipos de modo, um é para uso sem estado, outro é para uso com estado. No modo sem estado, há três funcionalidades. A detecção inteira é para detectar toda a série com o modelo treinado pela série temporal, a Última Detecção está detectando o último ponto com o modelo treinado por pontos antes. ChangePoint Detect é para detectar alterações de tendência em séries temporais. No modo com estado, o usuário pode armazenar séries temporais, a série temporal armazenada será usada para anomalias de detecção. Nesse modo, o usuário ainda pode usar as três funcionalidades acima fornecendo apenas um intervalo de tempo sem preparar séries temporais no lado do cliente. Além das três funcionalidades acima, o modelo com estado também fornece serviço de detecção e rotulagem baseado em grupo. Ao aproveitar o serviço de rotulagem que o usuário pode fornecer rótulos para cada resultado de detecção, esses rótulos serão usados para reajustar ou regenerar modelos de detecção. A detecção de inconsistência é um tipo de detecção baseada em grupo. Essa detecção encontrará inconsistências em um conjunto de séries temporais. Usando o serviço detector de anomalias, os clientes empresariais podem descobrir incidentes e estabelecer um fluxo lógico para análise de causa raiz.
- Herança
-
azure.ai.anomalydetector._operations._operations.AnomalyDetectorClientOperationsMixinAnomalyDetectorClient
Construtor
AnomalyDetectorClient(endpoint: str, credential: AzureKeyCredential, **kwargs: Any)
Parâmetros
- endpoint
- str
Pontos de extremidade dos Serviços Cognitivos com suporte (protocolo e nome do host, por exemplo: https://westus2.api.cognitive.microsoft.com). Obrigatórios.
- credential
- AzureKeyCredential
Credencial necessária para que o cliente se conecte ao Azure. Obrigatórios.
- api_version
- str
Versão da API. O valor padrão é "v1.1". Observe que substituir esse valor padrão pode resultar em um comportamento sem suporte.
Métodos
close | |
delete_multivariate_model |
Excluir Modelo Multivariado. Exclua um modelo multivariado existente de acordo com modelId. |
detect_multivariate_batch_anomaly |
Detectar anomalias multivariadas. Envie a tarefa de detecção de anomalias multivariadas com a modelId de dados de inferência e modelo treinados, o esquema de entrada deve ser o mesmo com a solicitação de treinamento. A solicitação será concluída de forma assíncrona e retornará uma resultId para consultar o resultado da detecção. A solicitação deve ser um link de origem para indicar um URI de armazenamento do Azure acessível externamente, apontado para uma pasta de armazenamento de blobs do Azure ou apontado para um arquivo CSV no armazenamento de blobs do Azure. |
detect_multivariate_last_anomaly |
Detecte anomalias no último ponto do corpo da solicitação. Envie a tarefa de detecção de anomalias multivariadas com a modelId de dados de inferência e modelo treinados, e os dados de inferência devem ser colocados no corpo da solicitação em um formato JSON. A solicitação será concluída de forma síncrona e retornará a detecção imediatamente no corpo da resposta. |
detect_univariate_change_point |
Detecte o ponto de alteração para toda a série. Avalie a pontuação de ponto de alteração de cada ponto de série. |
detect_univariate_entire_series |
Detectar anomalias para toda a série em lote. Essa operação gera um modelo com uma série inteira, cada ponto é detectado com o mesmo modelo. Com esse método, os pontos antes e depois de um determinado ponto são usados para determinar se é uma anomalia. Toda a detecção pode dar ao usuário uma status geral da série temporal. |
detect_univariate_last_point |
Detecte status de anomalias do ponto mais recente na série temporal. Essa operação gera um modelo usando os pontos que você enviou para a API e com base em todos os dados para determinar se o último ponto é anormal. |
get_multivariate_batch_detection_result |
Obter o resultado da detecção de anomalias multivariadas. Para inferência assíncrona, obtenha o resultado da detecção de anomalias multivariadas com base em resultId retornado pela api BatchDetectAnomaly. |
get_multivariate_model |
Obter Modelo Multivariado. Obter informações detalhadas do modelo multivariável, incluindo o status de treinamento e as variáveis usadas no modelo. |
list_multivariate_models |
Listar modelos multivariados. Listar modelos de um recurso. |
send_request |
Executa a solicitação de rede por meio das políticas encadeadas do cliente.
Para obter mais informações sobre esse fluxo de código, consulte https://aka.ms/azsdk/dpcodegen/python/send_request |
train_multivariate_model |
Treinar um modelo de detecção de anomalias multivariadas. Criar e treinar um modelo de detecção de anomalias multivariadas. A solicitação deve incluir um parâmetro de origem para indicar um URI de armazenamento de blobs do Azure acessível externamente. Há dois tipos de entrada de dados: um URI apontado para uma pasta de armazenamento de blobs do Azure que contém vários arquivos CSV e cada arquivo CSV contém duas colunas, carimbo de data/hora e variável. Outro tipo de entrada é um URI apontado para um arquivo CSV no armazenamento de blobs do Azure, que contém todas as variáveis e uma coluna de carimbo de data/hora. |
close
close() -> None
delete_multivariate_model
Excluir Modelo Multivariado.
Exclua um modelo multivariado existente de acordo com modelId.
delete_multivariate_model(model_id: str, **kwargs: Any) -> None
Parâmetros
Retornos
Nenhum
Tipo de retorno
Exceções
detect_multivariate_batch_anomaly
Detectar anomalias multivariadas.
Envie a tarefa de detecção de anomalias multivariadas com a modelId de dados de inferência e modelo treinados, o esquema de entrada deve ser o mesmo com a solicitação de treinamento. A solicitação será concluída de forma assíncrona e retornará uma resultId para consultar o resultado da detecção. A solicitação deve ser um link de origem para indicar um URI de armazenamento do Azure acessível externamente, apontado para uma pasta de armazenamento de blobs do Azure ou apontado para um arquivo CSV no armazenamento de blobs do Azure.
detect_multivariate_batch_anomaly(model_id: str, options: MultivariateBatchDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateDetectionResult
Parâmetros
- options
- MultivariateBatchDetectionOptions ou <xref:JSON> ou IO
Solicitação de detecção de anomalias multivariadas. É um dos seguintes tipos: modelo, JSON, E/S Obrigatório.
- content_type
- str
Parâmetro de corpo Content-Type. Os valores conhecidos são: application/json. O valor padrão é Nenhum.
Retornos
MultivariateDetectionResult. O MultivariateDetectionResult é compatível com MutableMapping
Tipo de retorno
Exceções
detect_multivariate_last_anomaly
Detecte anomalias no último ponto do corpo da solicitação.
Envie a tarefa de detecção de anomalias multivariadas com a modelId de dados de inferência e modelo treinados, e os dados de inferência devem ser colocados no corpo da solicitação em um formato JSON. A solicitação será concluída de forma síncrona e retornará a detecção imediatamente no corpo da resposta.
detect_multivariate_last_anomaly(model_id: str, options: MultivariateLastDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> MultivariateLastDetectionResult
Parâmetros
- options
- MultivariateLastDetectionOptions ou <xref:JSON> ou IO
Solicitação da última detecção. É um dos seguintes tipos: modelo, JSON, E/S Obrigatório.
- content_type
- str
Parâmetro de corpo Content-Type. Os valores conhecidos são: application/json. O valor padrão é Nenhum.
Retornos
MultivariateLastDetectionResult. O MultivariateLastDetectionResult é compatível com MutableMapping
Tipo de retorno
Exceções
detect_univariate_change_point
Detecte o ponto de alteração para toda a série.
Avalie a pontuação de ponto de alteração de cada ponto de série.
detect_univariate_change_point(options: UnivariateChangePointDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateChangePointDetectionResult
Parâmetros
- options
- UnivariateChangePointDetectionOptions ou <xref:JSON> ou IO
Método de detecção de anomalias univariadas. É um dos seguintes tipos: modelo, JSON, E/S Obrigatório.
- content_type
- str
Parâmetro de corpo Content-Type. Os valores conhecidos são: application/json. O valor padrão é Nenhum.
Retornos
UnivariateChangePointDetectionResult. O UnivariateChangePointDetectionResult é compatível com MutableMapping
Tipo de retorno
Exceções
detect_univariate_entire_series
Detectar anomalias para toda a série em lote.
Essa operação gera um modelo com uma série inteira, cada ponto é detectado com o mesmo modelo. Com esse método, os pontos antes e depois de um determinado ponto são usados para determinar se é uma anomalia. Toda a detecção pode dar ao usuário uma status geral da série temporal.
detect_univariate_entire_series(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateEntireDetectionResult
Parâmetros
- options
- UnivariateDetectionOptions ou <xref:JSON> ou IO
Método de detecção de anomalias univariadas. É um dos seguintes tipos: modelo, JSON, E/S Obrigatório.
- content_type
- str
Parâmetro de corpo Content-Type. Os valores conhecidos são: application/json. O valor padrão é Nenhum.
Retornos
UnivariateEntireDetectionResult. O UnivariateEntireDetectionResult é compatível com MutableMapping
Tipo de retorno
Exceções
detect_univariate_last_point
Detecte status de anomalias do ponto mais recente na série temporal.
Essa operação gera um modelo usando os pontos que você enviou para a API e com base em todos os dados para determinar se o último ponto é anormal.
detect_univariate_last_point(options: UnivariateDetectionOptions | MutableMapping[str, Any] | IO, **kwargs: Any) -> UnivariateLastDetectionResult
Parâmetros
- options
- UnivariateDetectionOptions ou <xref:JSON> ou IO
Método de detecção de anomalias univariadas. É um dos seguintes tipos: modelo, JSON, E/S Obrigatório.
- content_type
- str
Parâmetro de corpo Content-Type. Os valores conhecidos são: application/json. O valor padrão é Nenhum.
Retornos
UnivariateLastDetectionResult. O UnivariateLastDetectionResult é compatível com MutableMapping
Tipo de retorno
Exceções
get_multivariate_batch_detection_result
Obter o resultado da detecção de anomalias multivariadas.
Para inferência assíncrona, obtenha o resultado da detecção de anomalias multivariadas com base em resultId retornado pela api BatchDetectAnomaly.
get_multivariate_batch_detection_result(result_id: str, **kwargs: Any) -> MultivariateDetectionResult
Parâmetros
Retornos
MultivariateDetectionResult. O MultivariateDetectionResult é compatível com MutableMapping
Tipo de retorno
Exceções
get_multivariate_model
Obter Modelo Multivariado.
Obter informações detalhadas do modelo multivariável, incluindo o status de treinamento e as variáveis usadas no modelo.
get_multivariate_model(model_id: str, **kwargs: Any) -> AnomalyDetectionModel
Parâmetros
Retornos
AnomalyDetectionModel. O AnomalyDetectionModel é compatível com MutableMapping
Tipo de retorno
Exceções
list_multivariate_models
Listar modelos multivariados.
Listar modelos de um recurso.
list_multivariate_models(*, skip: int | None = None, top: int | None = None, **kwargs: Any) -> Iterable[AnomalyDetectionModel]
Parâmetros
- skip
- int
Skip indica quantos modelos serão ignorados. O valor padrão é Nenhum.
- top
- int
Top indica quantos modelos serão buscados. O valor padrão é Nenhum.
Retornos
Um iterador como a instância de AnomalyDetectionModel. O AnomalyDetectionModel é compatível com MutableMapping
Tipo de retorno
Exceções
send_request
Executa a solicitação de rede por meio das políticas encadeadas do cliente.
>>> from azure.core.rest import HttpRequest
>>> request = HttpRequest("GET", "https://www.example.org/")
<HttpRequest [GET], url: 'https://www.example.org/'>
>>> response = client.send_request(request)
<HttpResponse: 200 OK>
Para obter mais informações sobre esse fluxo de código, consulte https://aka.ms/azsdk/dpcodegen/python/send_request
send_request(request: HttpRequest, **kwargs: Any) -> HttpResponse
Parâmetros
- stream
- bool
Se o conteúdo da resposta será transmitido. Usa False como padrão.
Retornos
A resposta da chamada de rede. Não faz tratamento de erros em sua resposta.
Tipo de retorno
train_multivariate_model
Treinar um modelo de detecção de anomalias multivariadas.
Criar e treinar um modelo de detecção de anomalias multivariadas. A solicitação deve incluir um parâmetro de origem para indicar um URI de armazenamento de blobs do Azure acessível externamente. Há dois tipos de entrada de dados: um URI apontado para uma pasta de armazenamento de blobs do Azure que contém vários arquivos CSV e cada arquivo CSV contém duas colunas, carimbo de data/hora e variável. Outro tipo de entrada é um URI apontado para um arquivo CSV no armazenamento de blobs do Azure, que contém todas as variáveis e uma coluna de carimbo de data/hora.
train_multivariate_model(model_info: ModelInfo | MutableMapping[str, Any] | IO, **kwargs: Any) -> AnomalyDetectionModel
Parâmetros
Informações do modelo. É um dos seguintes tipos: modelo, JSON, E/S Obrigatório.
- content_type
- str
Parâmetro de corpo Content-Type. Os valores conhecidos são: application/json. O valor padrão é Nenhum.
Retornos
AnomalyDetectionModel. O AnomalyDetectionModel é compatível com MutableMapping
Tipo de retorno
Exceções
Azure SDK for Python
Comentários
https://aka.ms/ContentUserFeedback.
Em breve: Ao longo de 2024, eliminaremos os problemas do GitHub como o mecanismo de comentários para conteúdo e o substituiremos por um novo sistema de comentários. Para obter mais informações, consulteEnviar e exibir comentários de