AnomalyDetectionCatalog 类

定义

命名空间:

Microsoft.ML

程序集:

Microsoft.ML.Data.dll

包:

Microsoft.ML v2.0.0

用于 MLContext 创建异常情况检测组件的实例（如训练器和计算器）的类。

public sealed class AnomalyDetectionCatalog : Microsoft.ML.TrainCatalogBase

type AnomalyDetectionCatalog = class
    inherit TrainCatalogBase

Public NotInheritable Class AnomalyDetectionCatalog
Inherits TrainCatalogBase

继承

Object

TrainCatalogBase

AnomalyDetectionCatalog

属性

Trainers

异常情况检测的训练程序列表。

方法

ChangeModelThreshold<TModel>(AnomalyPredictionTransformer<TModel>, Single)	使用指定的 AnomalyPredictionTransformer<TModel> 创建一个新的 threshold。 如果提供的threshold阈值与它只返回model的model阈值相同。 请注意，默认情况下阈值为 0.5，有效分数范围为 0 到 1。
Evaluate(IDataView, String, String, String, Int32)	评估评分的异常情况检测数据。

扩展方法

DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, SrCnnEntireAnomalyDetectorOptions)	创建 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector，它使用 SRCNN 算法检测整个输入的超时异常。
DetectEntireAnomalyBySrCnn(AnomalyDetectionCatalog, IDataView, String, String, Double, Int32, Double, SrCnnDetectMode)	创建 Microsoft.ML.TimeSeries.SrCnnEntireAnomalyDetector，它使用 SRCNN 算法检测整个输入的超时异常。
DetectSeasonality(AnomalyDetectionCatalog, IDataView, String, Int32, Double)	在时序数据中，季节性 (或周期性) 是在特定定期间隔（如每周、每月或季度）发生的变体的存在。 此方法通过采用四叶分析技术检测此可预测的间隔 (或周期) 。 假设输入值具有相同的时间间隔 (，例如，按时间戳) 每秒收集的传感器数据，此方法采用时序数据列表，并返回输入季节性数据的常规周期，如果可预测的波动或模式可以在输入值期间内循环或重复。 如果未找到此类模式，则返回 -1，即输入值不遵循季节性波动。
LocalizeRootCause(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	创建 RootCause，它使用决策树算法本地化根本原因。
LocalizeRootCauses(AnomalyDetectionCatalog, RootCauseLocalizationInput, Double, Double)	输出有序列表 RootCause。 顺序对应于准备的原因最有可能是根本原因。