Wykrywanie anomalii w predykatach

Istnieje możliwość użycia predykcji anomalii w celu znalezienia wartości odstających w predykatach modelowych. Należy rozważyć następujące scenariusze szkolenia modelu szeregów czasowych z przewidywaniem anomalii. Załóżmy na przykład, że istnieją metryki operacyjne z urządzeń monitorujących, które zostały zebrane w zakresie dat od 2022.1.1 do 2022.3.31. Użytkownik ma pewność, że w danych dla tego okresu nie istnieją żadne anomalie, nawet jeśli dane nie są oznaczone etykietami. Eksperyment predykcji anomalii szeregów czasowych można wykorzystać do:

• Modele rurociągi kandydujące do modelu pociągu i automatycznie wybierają kandydat na model najwyżej sklasyfikowany
• Wdróż wybrany model, aby przewidzieć nowe obserwacje, jeśli:
  • Nowy punkt czasowy jest anomalią (na przykład wynik w trybie z połączeniem przewiduje punkt czasowy 2022.4.1 , który znajduje się poza oczekiwanym zakresem)
  • Nowy zakres czasu ma anomalie (na przykład, wynik zadania wsadowego przewiduje wartości od 2022.4.1 do 2022.4.7, poza oczekiwanym zakresem)

Praca z próbką

Aby utworzyć eksperyment z szeregami czasowymi AutoAI z przewidywaniem anomalii, który korzysta z przykładu:

1. Utwórz eksperyment AutoAI .

2. Wybierz opcję Przykład galerii.

   

3. Kliknij kafelek w polu Przykładowe dane dotyczące anomalii wykorzystania energii elektrycznej.

4. Postępuj zgodnie z instrukcjami, aby skonfigurować i uruchomić eksperyment.

   

5. Przejrzyj szczegółowe informacje na temat rurociągów i zapoznaj się z wizualizacjami.

Konfigurowanie eksperymentu szeregów czasowych z przewidywaniem anomalii

1. Załaduj dane do eksperymentu.

   Ograniczenie: Do eksperymentu predykcji anomalii można przesłać tylko jeden plik danych. Jeśli przesyłany jest drugi plik danych (dla danych holdout), opcja predykcji Anomaly jest wyłączona i dostępna jest tylko opcja Prognoza. Eksperymenty predykcji Anomaly używają domyślnie podzbioru danych uczących do sprawdzania poprawności.

2. Kliknij przycisk Tak , aby wybrać opcję Włącz serię czasu.

3. Jako typ eksperymentu wybierz opcję Anomaly predykcja .

4. Skonfiguruj kolumny opcji ze źródła danych, które chcesz przewidzieć na podstawie poprzednich wartości. Można określić jedną lub więcej kolumn do przewidzenia.

5. Wybierz kolumnę daty/godziny.

Podsumowanie predykcji przedstawia typ eksperymentu i pomiar, który jest wybrany do optymalizacji eksperymentu.

Konfigurowanie ustawień eksperymentu

Aby skonfigurować bardziej szczegółowe informacje na temat eksperymentu z serią czasową, otwórz panel Ustawienia eksperymentu . Opcje, które nie są dostępne dla eksperymentów predykcji anomalii, są niedostępne.

Konfigurowanie ustawień źródła danych

Aby skonfigurować szczegóły dla danych wejściowych, otwórz panel Ustawienia eksperymentu i wybierz opcję Źródło danych.

Przeglądanie wyników eksperymentu

Po uruchomieniu eksperymentu wskaźnik postępu wyświetla ścieżki do tworzenia potoku. W rankingu znajdują się pipeliny na tablicy. Wynik potoku określa, jak dobrze wykonany jest potok dla wielkości mierzonej optymalizującego.

Na karcie Podsumowanie eksperymentu wyświetlana jest wizualizacja sposobu wykonania pomiarów dla potoku.

• Użyj filtru pomiaru, aby skupić się na konkretnych metrykach.
• Umieść wskaźnik myszy nad nazwą pomiaru, aby wyświetlić szczegóły.

Kliknij nazwę potoku, aby wyświetlić szczegóły. Na stronie Ocena modelu można przejrzeć tabelę podsumowującą szczegółowe informacje na temat potoku.

• Wiersze reprezentują pięć metryk oceny: Obszar pod ROC, Precision, Recall, F1, Średnia precyzja.
• Kolumny reprezentują cztery zsyntetyzowane typy anomalii: przesunięcie poziomu, trend, zlokalizowana skrajność, wariacja.
• Każda wartość w komórce jest średnią wielkości mierzonej w oparciu o trzy iteracje wartościowania w typie anomalii syntetyzowanej.

Zapisywanie potoku jako modelu

Aby zapisać model jako model uczenia maszynowego jako model uczenia maszynowego, wybierz opcję Zapisz jako model dla preferowanego potoku. Model zostanie zapisany jako zasób projektu. Model można awansować do obszaru i utworzyć dla niego wdrożenie.

Zapisywanie potoku jako notatnika

Aby przejrzeć kod dla potoku, wybierz opcję Zapisz jako notatnik dla potoku. Automatycznie wygenerowany notatnik jest zapisywany jako zasób projektu. Przejrzyj kod, aby zbadać, jak potok został wygenerowany.

Szczegółowe informacje na temat metod używanych w kodzie potoku można znaleźć w dokumentacji biblioteki autoai-ts-libs.

Ocenianie modelu

Po zapisaniu potoku jako modelu, a następnie awansowaniu modelu do obszaru, można ocenić model, aby wygenerować predykcje dla danych wejściowych lub ładunku danych. Ocenianie modelu i interpretowanie wyników jest podobne do oceniania binarnego modelu klasyfikacji, ponieważ wynik przedstawia jedną z dwóch możliwych wartości dla każdej predykcji:

• 1 = nie wykryto anomalii
• -1 = wykryto anomalię

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

Szczegóły implementacji

Algorytmy te obsługują predykcje anomalii w eksperymentach szeregów czasowych.

Algorytmy są zorganizowane w tych kategoriach:

• Prognozowanie: Algorytmy wykrywania anomalii za pomocą metod prognozowania szeregów czasowych
• Relacja: Algorytmy wykrywające anomalie poprzez analizę relacji między punktami danych
• Okno: Algorytmy wykrywające anomalie poprzez zastosowanie transformacji i technik ML do walcowania okien

Więcej inform.

Zapisywanie wygenerowanego notatnika AutoAI (Watson Machine Learning)

Temat nadrzędny: Budowanie eksperymentu szeregów czasowych