Compartilhar via


IidSpikeEstimator Classe

Definição

Detecte um pico de sinal em uma série temporal independente distribuída de forma idêntica (i.i.d.) com base na estimativa de densidade de kernel adaptável.

public sealed class IidSpikeEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.TimeSeries.IidSpikeDetector>
type IidSpikeEstimator = class
    inherit TrivialEstimator<IidSpikeDetector>
Public NotInheritable Class IidSpikeEstimator
Inherits TrivialEstimator(Of IidSpikeDetector)
Herança

Comentários

Para criar esse avaliador, use DetectIidSpike.

Colunas de entrada e saída

Há apenas uma coluna de entrada. A coluna de entrada deve ser Single onde um Single valor indica um valor em um carimbo de data/hora na série temporal.

Ele produz uma coluna que é um vetor com 3 elementos. O vetor de saída contém sequencialmente o nível de alerta (valor diferente de zero significa um ponto de alteração), pontuação e valor p.

Características do avaliador

Esse avaliador precisa examinar os dados para treinar seus parâmetros? No
Tipo de dados de coluna de entrada Single
Tipo de dados da coluna de saída Vetor de 3 elementos deDouble
Exportável para ONNX No

Características do avaliador

Ferramenta de machine learning Detecção de anomalias
A normalização é necessária? No
O cache é necessário? No
NuGet necessário além de Microsoft.ML Microsoft.ML.TimeSeries

Detalhes do algoritmo de treinamento

Esse treinador pressupõe que os pontos de dados coletados na série temporal sejam amostrados independentemente da mesma distribuição (distribuídos de forma idêntica independente). Assim, o valor no carimbo de data/hora atual pode ser visto como o valor no próximo carimbo de data/hora na expectativa. Se o valor observado no carimbo de data/hora $t-1$ for $p$, o valor previsto em $t$ carimbo de data/hora também será $p$.

Marcador de Anomalias

Depois que a pontuação bruta em um carimbo de data/hora é calculada, ela é alimentada com o componente de marcador de anomalias para calcular a pontuação de anomalia final nesse carimbo de data/hora.

Detecção de pico com base no p-value

A pontuação de p-value indica se o ponto atual é uma exceção (também conhecida como pico). Quanto menor o valor, maior a probabilidade de ser um pico. A pontuação de valor p está sempre em $[0, 1]$.

Essa pontuação é o valor p da pontuação bruta computada atual de acordo com uma distribuição de pontuações brutas. Aqui, a distribuição é estimada com base nos valores de pontuação bruta mais recentes até determinada profundidade de volta ao histórico. Mais especificamente, essa distribuição é estimada usando a estimativa de densidade de kernel com os kernels gaussianos de largura de banda adaptável.

Se a pontuação p-value exceder $1 – \frac{\text{confidence}}{100}$, o carimbo de data/hora associado poderá obter um valor de alerta diferente de zero na detecção de pico, o que significa que um ponto de pico é detectado. Observe que $\text{confidence}$ é definido nas assinaturas de DetectIidSpike e DetectSpikeBySsa.

Verifique a seção Consulte Também para obter links para exemplos de uso.

Métodos

Fit(IDataView)

Detecte um pico de sinal em uma série temporal independente distribuída de forma idêntica (i.i.d.) com base na estimativa de densidade de kernel adaptável.

(Herdado de TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)

Propagação de esquema para transformadores. Retorna o esquema de saída dos dados, se o esquema de entrada for semelhante ao fornecido.

Métodos de Extensão

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Acrescente um 'ponto de verificação de cache' à cadeia do avaliador. Isso garantirá que os estimadores downstream sejam treinados em relação aos dados armazenados em cache. É útil ter um ponto de verificação de cache antes dos treinadores que levam vários passes de dados.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Dado um avaliador, retorne um objeto de encapsulamento que chamará um delegado uma vez Fit(IDataView) que seja chamado. Geralmente, é importante que um avaliador retorne informações sobre o que estava em forma, e é por isso que o Fit(IDataView) método retorna um objeto especificamente tipado, em vez de apenas um geral ITransformer. No entanto, ao mesmo tempo, IEstimator<TTransformer> muitas vezes são formados em pipelines com muitos objetos, portanto, talvez seja necessário criar uma cadeia de avaliadores por meio EstimatorChain<TLastTransformer> de onde o estimador para o qual queremos obter o transformador está enterrado em algum lugar nesta cadeia. Para esse cenário, podemos por meio desse método anexar um delegado que será chamado assim que o ajuste for chamado.

Aplica-se a

Confira também