Tahminlerdeki anormallikleri saptama

Model tahminlerinde aykırı değerleri bulmak için anomali tahminini kullanabilirsiniz. Anormallik öngörüsü olan bir zaman serisi modelinin eğitilmesi için aşağıdaki senaryoları göz önünde bulundurun. Örneğin, 2022.1.1 - 2022.3.31tarih aralığında toplanan izleme aygıtlarına ilişkin işletim ölçümleriniz olduğunu varsayın. Veriler etiketsiz olsa da, bu döneme ilişkin verilerde herhangi bir anormallik olmadığından eminsiniz. Aşağıdaki işlemleri gerçekleştirmek için bir zaman serisi anormallik tahmini deneyi kullanabilirsiniz:

• Model adayı boru hatlarını eğitir ve en üst sıradaki model adayını otomatik olarak seçer
• Aşağıdaki yeni gözlemleri tahmin etmek için seçilen bir modeli devreye alın:
  • Yeni bir zaman noktası bir anormallik (örneğin, çevrimiçi bir puan beklenen aralığın dışında olan 2022.4.1 zaman noktasını tahmin eder)
  • Yeni bir zaman aralığında olağandışı durumlar var (örneğin, bir toplu iş puanı, beklenen aralığın dışında 2022.4.1 ile 2022.4.7arasındaki değerleri tahmin eder)

Örnekle çalışma

Örnek kullanan bir anormallik tahminiyle AutoAI Zaman serisi deneyi oluşturmak için:

1. Bir AutoAI deneyi oluşturun.

2. Örneklerseçeneğini belirleyin.

   

3. Elektrik kullanımı anormallikleri örnek verileriiçin döşeme simgesini tıklatın.

4. Deneyi yapılandırmak ve çalıştırmak için bilgi istemlerini izleyin.

   

5. Boru hatlarıyla ilgili ayrıntıları gözden geçirin ve görselleştirmeleri keşfedin.

Anormallik tahminiyle bir zaman serisi deneyinin yapılandırılması

1. Denemeniz için verileri yükleyin.

   Kısıtlama: Bir olağandışı durum tahmini denemesi için yalnızca tek bir veri dosyasını karşıya yükleyebilirsiniz. İkinci bir veri dosyasını karşıya yüklerseniz (tutulmuş veriler için) Anomali öngörü seçeneği devre dışı bırakılır ve yalnızca Tahmin seçeneği kullanılabilir. Varsayılan olarak Anomali öngörü deneyleri, doğrulama için eğitim verilerinin bir alt kümesini kullanır.

2. Zaman serisini etkinleştirseçeneğini etkinleştirmek için Evet seçeneğini tıklatın.

3. Deneme tipi olarak Anomali öngörüsü seçeneğini belirleyin.

4. Önceki değerlere dayalı olarak tahmin etmek istediğiniz veri kaynağından özellik sütunlarını yapılandırın. Tahmin etmek için bir ya da daha çok sütun belirtebilirsiniz.

5. Tarih/saat sütununu seçin.

Öngörü özeti, deneyi optimize etmek için seçilen deney tipini ve metriği gösterir.

Deneme ayarlarının yapılandırılması

Zaman serisi denemeniz için daha fazla ayrıntı yapılandırmak üzere Deney ayarları bölmesini açın. Anomali tahmin deneyleri için mevcut olmayan seçenekler yoktur.

Veri kaynağı ayarlarını yapılandırma

Giriş verilerinize ilişkin ayrıntıları yapılandırmak için Deney ayarları panosunu açın ve Veri kaynağı' nı seçin.

Deney sonuçlarını gözden geçirme

Deneyi çalıştırdığınızda, ilerleme durumu göstergesi ardışık düzen oluşturma yollarını görüntüler. Sıralanmış ardışık hatlar ana tahtada listelenir. Ardışık düzen puanı, boru hattının optimizasyon metriği için ne kadar iyi performans gösterdiğini gösterir.

Deney özeti sekmesi, ardışık işlem için metriklerin nasıl gerçekleştirildiğine ilişkin bir görselleştirme görüntüler.

• Belirli metriklere odaklanmak için metrik süzgecini kullanın.
• Ayrıntıları görüntülemek için imleci bir metriğin adının üzerine getirin.

Ayrıntıları görüntülemek için bir ardışık işlem adını tıklatın. Model değerlendirmesi sayfasında, ardışık düzene ilişkin ayrıntıları özetleyen bir tabloyu gözden geçirebilirsiniz.

• Satırlar beş değerlendirme ölçümünü gösterir: ROC altındaki alan, Duyarlık, Geri çağırma, F1, Ortalama duyarlık.
• Sütunlar dört sentezlenmiş anomali tipini temsil eder: Düzey kayması, Eğilim, Yerelleştirilmiş uç, Fark.
• Bir hücredeki her değer, sentezlenmiş anomali türündeki üç değerlendirme yinelemesine dayalı olarak metriğin ortalamasıdır.

Bir ardışık düzeni model olarak kaydetme

Bir model adayı ürün hattını makine öğrenimi modeli olarak kaydetmek için tercih ettiğiniz ürün hattına ilişkin Model olarak kaydet seçeneğini belirleyin. Model bir proje varlığı olarak kaydedilir. Modeli bir alana yükseltir ve bunun için bir konuşlandırma yaratabilirsiniz.

Bir ardışık düzeni not defteri olarak kaydetme

Bir ardışık düzene ilişkin kodu gözden geçirmek için bir ardışık düzene ilişkin Not defteri olarak kaydet seçeneğini belirleyin. Otomatik olarak oluşturulan bir not defteri, proje varlığı olarak kaydedilir. Ardışık işlemin nasıl oluşturulduğunu keşfetmek için kodu inceleyin.

Ardışık düzen kodunda kullanılan yöntemlerle ilgili ayrıntılar için autoai-ts-libs kitaplığınailişkin belgelere bakın.

Modelin puanlaması

Bir ardışık düzeni model olarak kaydettikten sonra, modeli bir alana yükseltebilir ve giriş ya da bilgi yükü verileri için öngörüler oluşturmak üzere modeli puanlayabilirsiniz. Puan her tahmin için iki olası değerden birini gösterdiğinden, modelin puanlaması ve sonuçların yorumlanması, ikili sınıflandırma modelinin puanlamasına benzer:

• 1 = anormallik saptanmadı
• -1 = anomali saptandı

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

Yürütme Ayrıntıları

Bu algoritmalar zaman serisi deneylerinde anormallik tahminlerini destekler.

Algoritmalar şu kategorilerde düzenlenir:

• Öngörü: Zaman serisi tahmin yöntemlerini kullanarak olağandışı durumları saptamak için algoritmalar
• İlişki: Veri noktaları arasındaki ilişkiyi analiz ederek olağandışı durumları saptamak için algoritmalar
• Pencere: Kaydırılan pencerelere dönüşümler ve ML teknikleri uygulayarak olağandışı durumları saptamak için algoritmalar

Daha fazla bilgi

AutoAI tarafından oluşturulan not defterinin kaydedilmesi (Watson Machine Learning)

Üst konu: Zaman serisi deneyi oluşturma