Avvikelseidentifiering

  • Artikel

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.

Den här artikeln introducerar de moduler som finns i Machine Learning Studio (klassisk) för avvikelseidentifiering. Avvikelseidentifiering omfattar många viktiga uppgifter inom maskininlärning:

  • Identifiera transaktioner som kan vara bedrägliga.
  • Learning mönster som indikerar att ett nätverksintrång har inträffat.
  • Hitta onormala patientkluster.
  • Kontrollera värden som anges i ett system.

Eftersom avvikelser är sällsynta händelser per definition kan det vara svårt att samla in ett representativt urval av data som ska användas för modellering. Algoritmerna som ingår i den här kategorin har utformats särskilt för att hantera de viktigaste utmaningarna med att skapa och träna modeller med hjälp av obalanserade datamängder.

Moduler för avvikelseidentifiering

Machine Learning Studio (klassisk) innehåller följande moduler som du kan använda för att skapa en modell för avvikelseidentifiering. Dra bara modulen till experimentet för att börja arbeta med modellen.

När du har angett modellparametrar måste du träna modellen med hjälp av en etiketterad datauppsättning och träningsmodulen Träna avvikelseidentifieringsmodell . Resultatet är en tränad modell som du kan använda för att testa nya data. Det gör du genom att använda modulen Poängmodell för alla syften.

Ett exempel på hur de här modulerna fungerar tillsammans finns i experimentet Avvikelseidentifiering: Kreditrisk i Cortana Intelligence Gallery.

Time Series Anomaly Detection är en ny modul som skiljer sig lite från de andra avvikelseidentifieringsmodellerna. Modulen Avvikelseidentifiering i tidsserier är utformad för tidsseriedata. Den är avsedd att använda för att analysera trender över tid. Algoritmen identifierar potentiellt avvikande trender i tidsseriedata. Den flaggar avvikelser från trendens riktning eller storlek.

Azure tillhandahåller även Machine Learning API för avvikelseidentifiering, som du kan anropa som en webbtjänst.

Lista över moduler

Kategorin Avvikelseidentifiering innehåller följande moduler:

Se även