SsaChangePointEstimator Clase

Definición

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)

Herencia

Object

SsaChangePointEstimator

Implementaciones

IEstimator<SsaChangePointDetector>

Comentarios

Para crear este estimador, use DetectChangePointBySsa

Columnas de entrada y salida

Solo hay una columna de entrada. La columna de entrada debe ser Single donde un Single valor indica un valor en una marca de tiempo de la serie temporal.

Genera una columna que es un vector con 4 elementos. El vector de salida contiene secuencialmente el nivel de alerta (un valor distinto de cero significa un punto de cambio), score, p-value y martingale value.

Características del estimador

Características del estimador

Detalles del algoritmo de entrenamiento

Esta clase implementa la transformación de detección de anomalías general basada en Singular Spectrum Analysis (SSA). SSA es un marco eficaz para descomponer la serie temporal en componentes de tendencia, estacionalidad y ruido, así como para predecir los valores futuros de la serie temporal. En principio, SSA realiza un análisis espectral en la serie temporal de entrada donde cada componente del espectro corresponde a un componente de tendencia, estacional o ruido en la serie temporal. Para obtener más información sobre el análisis de espectro singular (SSA), consulte este documento.

Anomaly Scorer

Una vez calculada la puntuación sin procesar en una marca de tiempo, se alimenta al componente de puntuación de anomalías para calcular la puntuación final de anomalías en esa marca de tiempo. Hay dos estadísticas implicadas en este scorer, p-value y martingale score.

Puntuación de valor P

La puntuación p-value indica el valor p de la puntuación sin procesar calculada actual según una distribución de puntuaciones sin procesar. Aquí, la distribución se calcula en función de los valores de puntuación sin procesar más recientes hasta cierta profundidad en el historial. Más concretamente, esta distribución se calcula mediante la estimación de densidad del kernel con los kernels gaussianos del ancho de banda adaptable. La puntuación p-value siempre está en $[0, 1]$, y la menor su valor, lo más probable es que el punto actual sea un valor atípico (también conocido como pico).

Detección de puntos de cambio basada en la puntuación de martingale

La puntuación de martingale es un nivel adicional de puntuación que se basa en las puntuaciones de valor p. La idea se basa en las martingales de exchangeabilidad que detectan un cambio de distribución en una secuencia de valores i.i.d. En resumen, el valor de la puntuación de martingale comienza a aumentar significativamente cuando una secuencia de valores p pequeños detectados en una fila; esto indica el cambio de la distribución del proceso de generación de datos subyacente. Por lo tanto, la puntuación de martingales se usa para la detección de puntos de cambio. Dada una secuencia de valores p observados más recientemente, $p 1, \dots, p_n$, la puntuación de martingale se calcula como:? $s(p1, \dots, p_n) = \prod_{i=1}^n \beta(p_i)$. Hay dos opciones de $\beta$: $\beta(p) = e p^{\epsilon - 1}$ para $0 < \epsilon < 1$ o $\beta(p) = \int_{0}^1 \epsilon p^{\epsilon - 1} d\epsilon$.

Si la puntuación de martingle supera $s(q_1, \dots, q_n)$ donde $q_i=1 - \frac{\text{confidence}}{100}$, la marca de tiempo asociada puede obtener un valor de alerta distinto de cero para la detección de puntos de cambio. Tenga en cuenta que $\text{confidence}$ se define en las firmas de DetectChangePointBySsa o DetectIidChangePoint.

Consulte la sección Ver también para obtener vínculos a ejemplos de uso.

Consulte también

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