Detección de anomalías
Anomaly Detection Operator es una herramienta con poco código para integrar la detección de anomalías en cualquier aplicación empresarial.
Utiliza la detección de anomalías constructivas de series temporales para marcar momentos anómalos en los datos, por tiempo y por ID.
Para obtener más información, consulte la sección Detección de anomalías de la documentación de ADS.
Datos de Entrada
- Una columna de destino.
- (Opcional) Una o más columnas de serie, de modo que el destino se indexe por fecha/hora y serie.
- (Opcional) Número arbitrario de variables adicionales.
Además de estos datos de entrada, puede especificar los datos de validación, si están disponibles. Los datos de validación deben tener todas las columnas de los datos de entrada más una columna binaria titulada anomaly. La columna anomaly debe tener un valor de menos 1 para las filas anómalas y 1 para las filas normales.
Por último, proporcione test_data para recibir métricas de prueba y evaluar el rendimiento del operador con mayor facilidad. Los datos de prueba se deben indexar por fecha y (opcionalmente) serie. Los datos de prueba deben tener un valor de menos 1 para las filas anómalas y 1 para las filas normales.
kind: operator
type: anomaly
version: v1
spec:
input_data:
url: https://raw.githubusercontent.com/facebook/prophet/main/examples/example_yosemite_temps.csv
model: autots
target_column: yads operator run -f anomaly.yamlDetección de anomalías mulitvariante
Si tiene variables adicionales que cree que podrían estar relacionadas, utilice la detección de anomalías multivariante. Todas las columnas adicionales especificadas en los datos de entrada se utilizan para buscar si la columna de destino es anómala.
Selección Automática de Modelo
Los usuarios de operadores no necesitan saber nada sobre los modelos subyacentes para usarlos. Por defecto, definimos el modelo en auto. Sin embargo, si desea tener más control sobre los parámetros de modelado, defina el parámetro de modelo en autots o automlx y, a continuación, transfiera los parámetros directamente a model_kwargs.