Detekování anomálií v předpovědích

Předpovídání anomálií můžete použít k vyhledávání odlehlých hodnot v modelových předpovědích. Představme si následující scénáře pro školení modelu časové řady s predikcí anomálií. Předpokládejme například, že máte funkční metriky ze zařízení monitorování, která byla shromážděna v rozsahu dat 2022.1.1 až 2022.3.31. Jste si jisti, že v datech neexistují žádné anomálie, a to i v případě, že jsou data neoznačená. Předpověď předpovědí anomálií časové řady můžete použít k:

• Kandidátské modely na modelu vlaku a automaticky vybrat kandidáta na model s nejvyšším hodnocením
• Implementujte zvolený model, abyste předpověděli nové pozorování, pokud:
  • Nový časový bod je anomálie (například online skóre předpovídá časový bod 2022.4.1 , který je mimo očekávaný rozsah)
  • Nový časový rozsah má anomálie (například skóre dávky předpovídá hodnoty 2022.4.1 až 2022.4.7mimo očekávaný rozsah).

Práce s ukázkou

Chcete-li vytvořit test časové řady AutoAI s predikcí anomálií, který používá ukázku, postupujte takto:

1. Vytvořte experiment AutoAI .
2. Vyberte volbu Ukázka galerie.
3. Klepněte na dlaždici Electricity usage limaty sample data.
4. Postupujte podle pokynů pro konfiguraci a spuštění experimentu.
5. Zkontrolujte podrobnosti o ropovodech a prozkoumejte vizualizace.

Konfigurace testu časové řady s predikcí anomálií

1. Načtěte data pro svůj experiment.
   Omezení: Můžete odeslat pouze jeden datový soubor pro experiment predikce anomálií. Pokud odešlete druhý datový soubor (pro data holdlout), je volba predikce anomálie zakázána a je k dispozici pouze volba Prognóza. Ve výchozím nastavení používají predikce anomálií Anomály predikci k ověření platnosti.
2. Klepněte na tlačítko Ano , chcete-li Povolit časovou řadu.
3. Jako typ experimentu vyberte volbu Anomálie predikce .
4. Konfigurujte sloupce funkcí ze zdroje dat, který chcete předpovídat na základě předchozích hodnot. Můžete uvést jeden nebo více sloupců, které se mají předvídat.
5. Vyberte sloupec datum/čas.

Souhrn předpovědí zobrazuje typ experimentu a metriku, která je vybrána pro optimalizaci experimentu.

Konfigurace nastavení experimentu

Chcete-li konfigurovat více podrobností pro svůj experiment časové řady, otevřete podokno Experimentální nastavení . Volby, které nejsou k dispozici pro experimenty predikce anomálií, jsou nedostupné.

Konfigurace nastavení zdroje dat

Chcete-li konfigurovat podrobnosti pro vstupní data, otevřete panel Experimentální nastavení a vyberte volbu Zdroj dat.

Přezkoumání výsledků experimentu

Když spustíte experiment, indikátor průběhu zobrazuje cesty k vytvoření propojení procesů. Ohodnocené potrubí jsou uvedeny na žebříčku na žebříčku. Potrubní skóre představuje, jak dobře se potrubí provádí pro optimalizaci metriky.

Na kartě Souhrn experimentů se zobrazí vizualizace způsobu provádění metrik pro propojení procesů.

• Použijte filtr metrik, abyste se zaměřili na konkrétní metriky.
• Ponechte ukazatel myši nad názvem metriky a zobrazte podrobnosti.

Po klepnutí na název propojení se zobrazí podrobnosti. Na stránce Vyhodnocení modelu můžete přezkoumat tabulku, která shrnuje podrobnosti o propojení procesů.

• Řádky představují pět metrik vyhodnocení: Oblast pod ROC, Přesnost, Vyvolání, F1, Průměrná přesnost.
• Sloupce představují čtyři syntetické typy anomálií: posun úrovně, Trend, Lokalizovaný extrém, Odchylka.
• Každá hodnota v buňce je průměr metriky založená na třech iteracích vyhodnocení na syntetizovaný typ anomálie.

Uložení propojení procesů jako modelu

Chcete-li uložit ropovod kandidáta modelu jako strojový výukový model, vyberte volbu Uložit jako model pro propojení procesů, které preferujete. Model se uloží jako aktivum projektu. Model můžete povýšit na prostor a vytvořit pro něj implementaci.

Uložení kolony jako notebooku

Chcete-li přezkoumat kód pro propojení procesů, vyberte volbu Uložit jako zápisník pro propojení procesů. Automaticky generovaný zápisník se uloží jako aktivum projektu. Zkontrolujte kód a zjistěte, jak bylo propojení procesů generováno.

Podrobné informace o metodách používaných v kódu propojení procesů najdete v dokumentaci knihovny autoai-ts-libs.

přidělení skóre modelu

Poté, co uložíte kolonu jako model a pak povýšíte model na prostor, můžete modelovat model a generovat předpovědi pro vstup nebo zatížení dat. Vyhodnocení modelu a interpretace výsledků je podobné jako ohodnocení binárního modelu klasifikace, protože skóre představuje jednu ze dvou možných hodnot pro každou předpověď:

• 1 = nebyla zjištěna žádná anomálie
• -1 = zjištěná anomálie

{
    "input_data": [
        {
            "id": "observations",
            "values": [
                [12,34],
                [22,23],
                [35,45],
                [46,34]
            ]
        }
     ]
}

Podrobnosti implementace

Tyto algoritmy podporují anomálie predikce v časových sériích experimentů.

Algoritmy jsou uspořádány do těchto kategorií:

• Prognózování: Algoritmy pro detekování anomálií pomocí metod prognostiky časových řad
• Vztah: Algoritmy pro detekování anomálií analýzou vztahu mezi datovými body
• Okno: Algoritmy pro detekování anomálií pomocí transformací a techniky ML do posuvného okna

Další informace

Uložení notebooku generovaného AutoAI (Watson Machine Learning)

Nadřízené téma: Sestavení experimentu časových řad