SsaForecastingEstimator Klasa
Definicja
Ważne
Niektóre informacje odnoszą się do produktu w wersji wstępnej, który może zostać znacząco zmodyfikowany przed wydaniem. Firma Microsoft nie udziela żadnych gwarancji, jawnych lub domniemanych, w odniesieniu do informacji podanych w tym miejscu.
Prognozy korzystające z analizy pojedynczego spektrum.
public sealed class SsaForecastingEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaForecastingTransformer>type SsaForecastingEstimator = class
interface IEstimator<SsaForecastingTransformer>Public NotInheritable Class SsaForecastingEstimator
Implements IEstimator(Of SsaForecastingTransformer)- Dziedziczenie
-
SsaForecastingEstimator
- Implementuje
Uwagi
Aby utworzyć ten narzędzie do szacowania, użyj polecenia ForecastBySsa
Kolumny wejściowe i wyjściowe
Istnieje tylko jedna kolumna wejściowa. Kolumna wejściowa musi być Single miejscem, w którym Single wartość wskazuje wartość na znaczniku czasu w szeregach czasowych.
Tworzy tylko jeden wektor prognozowanych wartości lub trzy wektory: wektor prognozowanych wartości, wektor ufności dolne granice i wektor ufności górne granice.
Charakterystyka narzędzia do szacowania
| Czy ten narzędzie do szacowania musi przyjrzeć się danym, aby wytrenować jego parametry? | Tak |
| Typ danych kolumny wejściowej | Single |
| Typ danych kolumny wyjściowej | Wektor Single |
| Eksportowanie do pliku ONNX | Nie |
Charakterystyka narzędzia do szacowania
| Zadanie uczenia maszynowego | Wykrywanie anomalii |
| Czy normalizacja jest wymagana? | Nie |
| Czy buforowanie jest wymagane? | Nie |
| Wymagane narzędzie NuGet oprócz Microsoft.ML | Microsoft.ML.TimeSeries |
Szczegóły algorytmu trenowania
Ta klasa implementuje ogólną transformację wykrywania anomalii na podstawie analizy pojedynczego spektrum (SSA). SSA to zaawansowana platforma do dekompozycji szeregów czasowych w trend, sezonowość i składniki szumu, a także prognozowanie przyszłych wartości szeregów czasowych. W zasadzie usługa SSA wykonuje analizę spektralną na wejściowych szeregach czasowych, w których każdy składnik w spektrum odpowiada trendowi, składnikowi sezonowemu lub szumowi w szeregach czasowych. Aby uzyskać szczegółowe informacje na temat analizy pojedynczego spektrum (SSA), zapoznaj się z tym dokumentem.
Zapoznaj się z sekcją Zobacz również, aby uzyskać linki do przykładów użycia.
Metody
| Fit(IDataView) |
Trenowanie i powrót transformatora. |
| GetOutputSchema(SchemaShape) |
Propagacja schematu dla transformatorów. Zwraca schemat wyjściowy danych, jeśli schemat wejściowy jest podobny do podanego. Tworzy trzy kolumny wyjściowe, jeśli wymagane są interwały ufności. |
Metody rozszerzania
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Dołącz punkt kontrolny buforowania do łańcucha narzędzia do szacowania. Zapewni to, że narzędzia do szacowania podrzędnego zostaną wytrenowane względem buforowanych danych. Warto mieć punkt kontrolny buforowania, zanim trenerzy przejmą wiele danych. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Biorąc pod uwagę narzędzie do szacowania, zwróć obiekt opakowujący, który wywoła delegata po Fit(IDataView) wywołaniu. Często ważne jest, aby narzędzie do szacowania zwracało informacje o tym, co było odpowiednie, dlatego Fit(IDataView) metoda zwraca specjalnie wpisany obiekt, a nie tylko ogólną ITransformerwartość . Jednak w tym samym czasie IEstimator<TTransformer> często są tworzone w potoki z wieloma obiektami, więc może być konieczne utworzenie łańcucha narzędzi do szacowania za pośrednictwem EstimatorChain<TLastTransformer> miejsca, w którym narzędzie do szacowania, dla którego chcemy uzyskać transformator jest pochowany gdzieś w tym łańcuchu. W tym scenariuszu możemy za pomocą tej metody dołączyć delegata, który zostanie wywołany po wywołaniu dopasowania. |