SsaChangePointEstimator 類別

定義

public sealed class SsaChangePointEstimator : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.TimeSeries.SsaChangePointDetector>

type SsaChangePointEstimator = class
    interface IEstimator<SsaChangePointDetector>

Public NotInheritable Class SsaChangePointEstimator
Implements IEstimator(Of SsaChangePointDetector)

繼承

Object

SsaChangePointEstimator

實作

IEstimator<SsaChangePointDetector>

備註

若要建立此估算器，請使用 DetectChangePointBySsa

輸入和輸出資料行

只有一個輸入資料行。 輸入資料行必須是 SingleSingle 值在時間序列中指出時間戳記的值的位置。

它會產生具有 4 個元素的向量資料行。 輸出向量會循序包含警示層級 (非零值表示變更點) 、分數、p 值和 martingale 值。

估算器特性

估算器特性

定型演算法詳細資料

這個類別會根據 單一的 Spectrum Analysis (SSA) 來實作一般異常偵測轉換。 SSA 是一個功能強大的架構，可分解時間序列成為趨勢、季節性和雜訊元件，以及預測時間序列的未來值。 根據原則，SSA 會對輸入時間序列執行干擾分析，其中頻譜中的每個元件都對應到時間序列中的趨勢、季節性或雜訊元件。 如需 SSA (SSA) 之單一頻譜分析的詳細資料，請參閱 本檔。

異常計分器

一旦計算時間戳記的原始分數，就會送至異常計分器元件，以在該時間戳記計算最終異常分數。 此計分器包含兩個統計資料：p 值和 martingale 分數。

P 值分數

p 值分數會根據原始分數的分佈，指出目前計算原始分數的 p 值。 在這裡，會根據最新的原始分數值來估計分佈，最多到歷程記錄中的特定深度。 更具體來說，此分佈是使用 核心密度估計 搭配自適性頻寬的 Gaussian 核心 來估計。 p 值分數一律為 $[0，1]$，且其值越低，目前點越有可能是極端值 (也稱為尖峰) 。

根據 martingale 分數變更點偵測

martingale 分數是建置在 p 值分數之上的額外評分層級。 此概念是以 Exchangeability Martingales 為基礎，可偵測 i.i.d 值資料流程的分佈變更。 簡單來說，當資料列中偵測到小型 p 值序列時，martingale 分數的值就會大幅增加;這表示基礎資料產生程式的分佈變更。 因此，martingale 分數用於變更點偵測。 假設有一連串最近觀察到的 p 值，$p 1、\dots、p_n$，則會將 martingale 分數計算為：？ $s (p1、 \dots， p_n) = \prod_{i=1}^n \Beta (p_i) $. $\Beta$有兩個選項：$\Beta (p) = e p^{\epsilon - 1}$ 代表 $0 < \epsilon < 1$ 或 $\Beta (p) = \int_ {0} ^1 \epsilon p^{\epsilon - 1} d\epsilon$。

如果 martingle 分數超過 $s (q_1、\dots、q_n) $，其中 $q_i=1 - \frac{\text{confidence}} {100} $，則相關聯的時間戳記可能會取得變更點偵測的非零警示值。 請注意，$\text{confidence}$ 定義于 DetectChangePointBySsa 或 DetectIidChangePoint的簽章中。

如需使用範例的連結，請參閱另請參閱一節。

方法

擴充方法

適用於

另請參閱

• DetectChangePointBySsa(TransformsCatalog, String, String, Double, Int32, Int32, Int32, ErrorFunction, MartingaleType, Double)