TimeSeriesCatalog 类

定义

命名空间:

Microsoft.ML

程序集:

Microsoft.ML.TimeSeries.dll

包:

Microsoft.ML.TimeSeries v2.0.0

public static class TimeSeriesCatalog

type TimeSeriesCatalog = class

Public Module TimeSeriesCatalog

继承

Object

TimeSeriesCatalog

方法

DetectAnomalyBySrCnn(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, Int32, Double)	创建 SrCnnAnomalyEstimator，它使用 SRCNN 算法检测时间异常。
DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	创建 SsaChangePointEstimator，它使用 单一光谱分析 (SSA) 预测时序的变化点。
DetectChangePointBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)	已过时. 创建 SsaChangePointEstimator，它使用 单一光谱分析 (SSA) 预测时序的变化点。
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。
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。
DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)	创建 IidChangePointEstimator，它基于自适应内核密度估计和马丁加尔分数预测 独立相同分布 (i.i.d.) 时序中的更改点。
DetectIidChangePoint(TransformsCatalog, String, String, Int32, Int32, MartingaleType, Double)	已过时. 创建 IidChangePointEstimator，它基于自适应内核密度估计和马丁加尔分数预测 独立相同分布 (i.i.d.) 时序中的更改点。
DetectIidSpike(TransformsCatalog, String, String, Double, Int32, AnomalySide)	Create IidSpikeEstimator，它根据自适应内核密度估计和马丁加尔分数预测 独立分布 (i.i.d.) 时序中的峰值。
DetectIidSpike(TransformsCatalog, String, String, Int32, Int32, AnomalySide)	已过时. Create IidSpikeEstimator，它根据自适应内核密度估计和马丁加尔分数预测 独立分布 (i.i.d.) 时序中的峰值。
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。
DetectSpikeBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, AnomalySide, ErrorFunction)	创建 SsaSpikeEstimator，它使用 单数光谱分析 (SSA) 预测时序峰值。
DetectSpikeBySsa(TransformsCatalog, String, String, Int32, Int32, Int32, Int32, AnomalySide, ErrorFunction)	已过时. 创建 SsaSpikeEstimator，它使用 单数光谱分析 (SSA) 预测时序峰值。
ForecastBySsa(ForecastingCatalog, String, String, Int32, Int32, Int32, Int32, Boolean, Single, RankSelectionMethod, Nullable<Int32>, Nullable<Int32>, Boolean, Boolean, Nullable<GrowthRatio>, String, String, Single, Boolean)	单变量时序预测的 SSA) 模型 (奇异光谱分析。 有关模型的详细信息，请参阅 http://arxiv.org/pdf/1206.6910.pdf。
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。