Deteção de Anomalias

Nota

Aplica-se a: Machine Learning Studio (clássico)

Este conteúdo diz respeito apenas ao Studio (clássico). Módulos semelhantes de arrasto e queda foram adicionados ao designer de Aprendizagem automática Azure. Saiba mais neste artigo comparando as duas versões.

Este artigo introduz os módulos fornecidos no Azure Machine Learning Studio (clássico) para deteção de anomalias. A deteção de anomalias engloba muitas tarefas importantes na aprendizagem automática:

  • Identificar transações potencialmente fraudulentas.
  • Padrões de aprendizagem que indicam que ocorreu uma intrusão na rede.
  • Encontrar aglomerados anormais de pacientes.
  • Verificação de valores introduzidos num sistema.

Como as anomalias são eventos raros por definição, pode ser difícil recolher uma amostra representativa de dados para usar para modelação. Os algoritmos incluídos nesta categoria foram especialmente concebidos para enfrentar os principais desafios dos modelos de construção e formação utilizando conjuntos de dados desequilibrados.

Módulos de deteção de anomalias

O Machine Learning Studio (clássico) fornece os seguintes módulos que pode utilizar para criar um modelo de deteção de anomalias. Basta arrastar o módulo para a sua experiência para começar a trabalhar com o modelo.

Depois de definir os parâmetros do modelo, deve treinar o modelo utilizando um conjunto de dados rotulado e o módulo de formação do Modelo de Deteção de Anomalias de Comboio. O resultado é um modelo treinado que pode usar para testar novos dados. Para isso, utilize o módulo de Marcação para todos os fins.

Para um exemplo de como estes módulos funcionam em conjunto, consulte a experiência de Deteção de Anomalias: Risco de Crédito na Galeria de Inteligência cortana.

A Deteção de Anomalias em Séries de Tempo é um novo módulo que é um pouco diferente dos outros modelos de deteção de anomalias. O módulo de deteção de anomalias de série sonora foi concebido para dados da série de tempo. Destina-se a usar para analisar tendências ao longo do tempo. O algoritmo identifica tendências potencialmente anómalas nos dados da série-tempo. Sinaliza desvios da direção ou magnitude da tendência.

O Azure também fornece a API de Deteção de Anomalias de Aprendizagem automática,que pode chamar de serviço web.

Dica

Se não tiver a certeza se a deteção de anomalias é o algoritmo certo para utilizar com os seus dados, consulte estes guias:

Lista de módulos

A categoria deteção de anomalias inclui os seguintes módulos:

Ver também