IidChangePointEstimator Classe

Definição

public sealed class IidChangePointEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.TimeSeries.IidChangePointDetector>

type IidChangePointEstimator = class
    inherit TrivialEstimator<IidChangePointDetector>

Public NotInheritable Class IidChangePointEstimator
Inherits TrivialEstimator(Of IidChangePointDetector)

Herança

Object

TrivialEstimator<IidChangePointDetector>

IidChangePointEstimator

Comentários

Para criar esse estimador, use DetectIidChangePoint.

Colunas de entrada e saída

Há apenas uma coluna de entrada. A coluna de entrada deve estar Single onde um Single valor indica um valor em um carimbo de data/hora na série temporal.

Ele produz uma coluna que é um vetor com 4 elementos. O vetor de saída contém sequencialmente o nível de alerta (valor não zero significa um ponto de alteração), pontuação, valor p e valor martingale.

Características do estimador

Características do estimador

Detalhes do algoritmo de treinamento

Esse treinador pressupõe que os pontos de dados coletados na série temporal sejam amostrados independentemente da mesma distribuição (independentemente distribuída de forma idêntica). Assim, o valor no carimbo de data/hora atual pode ser exibido como o valor no próximo carimbo de data/hora na expectativa. Se o valor observado no carimbo de data/hora $t-1$ for $p$, o valor previsto em $t$ carimbo de data/hora também será $p$ .

Marcador de Anomalias

Depois que a pontuação bruta em um carimbo de data/hora é calculada, ela é alimentada com o componente do marcador de anomalias para calcular a pontuação final de anomalias nesse carimbo de data/hora. Há duas estatísticas envolvidas neste pontuador, p-value e martingale score.

Pontuação de valor P

A pontuação p-value indica o p-value da pontuação bruta computada atual de acordo com uma distribuição de pontuações brutas. Aqui, a distribuição é estimada com base nos valores de pontuação bruta mais recentes até determinada profundidade de volta ao histórico. Mais especificamente, essa distribuição é estimada usando a estimativa de densidade de kernel com os kernels gaussianos de largura de banda adaptável. A pontuação p-value está sempre em $[0, 1]$, e quanto menor o valor, maior a probabilidade de o ponto atual ser um outlier (também conhecido como pico).

Alterar detecção de ponto com base na pontuação de martingale

A pontuação de martingale é um nível extra de pontuação que é construído sobre as pontuações de valor p. A ideia baseia-se nos Martingales de exchangeability que detectam uma alteração de distribuição em um fluxo de valores i.i.d. Em suma, o valor da pontuação martingale começa a aumentar significativamente quando uma sequência de pequenos valores p detectados em uma linha; isso indica a alteração da distribuição do processo de geração de dados subjacente. Portanto, a pontuação de martingale é usada para detecção de ponto de alteração. Dada uma sequência de valores p observados mais recentemente, $p 1, \pontos, p_n$, a pontuação de martingale é calculada como:? $s(p1, \dots, p_n) = \prod_{i=1}^n \beta(p_i)$. Há duas opções de $\beta$: $\beta(p) = e p^{\epsilon - 1}$ por $0 < \epsilon < 1$ ou $\beta(p) = \int_{0}^1 \epsilon p^{\epsilon - 1} d\epsilon$.

Se a pontuação de martingle exceder $s(q_1, \dots, q_n)$ em que $q_i=1 - \frac{\text{confidence}}{100}$, o carimbo de data/hora associado poderá obter um valor de alerta não zero para detecção de ponto de alteração. Observe que $\text{confidence}$ é definido nas assinaturas de DetectChangePointBySsa ou DetectIidChangePoint.

Verifique a seção Consulte Também para obter links para exemplos de uso.

Métodos

Métodos de Extensão

Aplica-se a

Confira também

• DetectIidChangePoint(TransformsCatalog, String, String, Double, Int32, MartingaleType, Double)