Anomalien in kleinen Datasets erkennen
Erkennen Sie Anomalien in kleinen Datasets in Anomaly Detection.
Der Anomaly Detection-Service bietet eine granulare Kontrolle darüber, wie Sie die Vorhersage des Modells verbessern können. Eine Änderung des Empfindlichkeitswertes kann die Anzahl der Anomalien in der Antwort basierend auf der Modellkonfidenz erhöhen oder verringern. Der Anomaliescore für eine detektierte Anomalie setzt voraus, dass die Modellkonfidenz einer Anomalie wahrhaft positiv ist. Je höher die Punktzahl, desto größer sind die Chancen, dass es ein wahres Positives ist.
Die geschätzten und tatsächlichen Werte jeder identifizierten Anomalie werden in einem Diagramm wiedergegeben. Die Abweichungen geben Ihnen Aufschluss über den Schweregrad der Anomalie.
Wenn bei verschiedenen Signalen zu einem bestimmten Zeitstempel mehrere Anomalien aufgetreten sind, werden die Anomalytikwerte angegeben, die diese Signale für die identifizierte Anomalie einstufen. Ein Diagramm dieser Anomalien im jeweiligen Zeitraum wird angezeigt, sodass Sie leicht erkennen können, ob bestimmte Signale einen hohen Score im Zeitverlauf aufweisen.
Wir empfehlen diesen Ansatz, wenn Sie Anomalien erkennen und Ergebnisse aus trainierten Anomalieerkennungsmodellen abrufen möchten.
- Laden Sie die OCI-CLI oder das SDK herunter, und konfigurieren Sie sie bzw. es, wie in der vorhandenen OCI-Dokumentation beschrieben.
-
Verwenden Sie ein trainiertes Modell, indem Sie eine
HTTP POST
-Anforderung erstellen und die Anforderung an den Endpunkt senden, der im vorherigen Schritt empfangen wurde. - Parsen Sie die HTTP-Antwort, um die Ergebnisse für die Verwendung in Anwendungen abzurufen.
Beispiele für API-Aufrufe
Verwenden Sie die folgenden Anomaly Detection-Befehle und erforderlichen Parameter, um Ergebnisse zu ermitteln und abzurufen:
-
Rufen Sie das Modell ab:
https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/models/{ModelId} Method: GET Body:
-
Synchron mit Daten erkennen:
https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/actions/detectAnomalies Method: POST Body: { "modelId": "ocid1.aimodel.oc1.phx.amaaaaaaor7l3jialglh5vnt2w3nj6zly4dpcjfex6lktujo24t5aklmn2ta", "requestType": "INLINE", "signalNames":["sensor1", "sensor2", "sensor3", "sensor4", "sensor5", "sensor6", "sensor7", "sensor8", "sensor9", "sensor10", "sensor11"], "data":[ {"timestamp":"2023-01-17T20:44:46Z","values": [1,-9.6193,0.3208,0.6199,-0.4936,5.0697,-0.5063,0.4253,0.4864,-0.0798,0.0446]}, {"timestamp":"2023-01-17T20:45:46Z","values": [1,9.4101,-0.3522,0.0942,-0.0564,null,0.0263,-0.3787,-0.8164,-0.6446,0.5502]}, {"timestamp":"2023-01-17T20:46:46Z","values": [1,5.3969,-0.472,0.75,0.3282,6.5583,0.0238,-0.2817,-0.3909,0.8025,0.5054]}, {"timestamp":"2023-01-17T20:47:46Z","values": [1,0.2148,-0.516,-0.0296,0.2276,5.7661,0.5468,0.534,0.2702,-0.4179,0.0011]} ] }
Wir empfehlen diesen Ansatz, wenn Sie Anomalien erkennen und Ergebnisse aus trainierten Anomalieerkennungsmodellen abrufen möchten.
- Laden Sie die OCI-CLI oder das SDK herunter, und konfigurieren Sie sie bzw. es, wie in der vorhandenen OCI-Dokumentation beschrieben.
-
Verwenden Sie ein trainiertes Modell, indem Sie eine
HTTP POST
-Anforderung erstellen und die Anforderung an den Endpunkt senden, der im vorherigen Schritt empfangen wurde. - Parsen Sie die HTTP-Antwort, um die Ergebnisse für die Verwendung in Anwendungen abzurufen.
Beispiele für API-Aufrufe
Mit dem Vorgang DetectAnomalies können Sie Ergebnisse ermitteln und abrufen.
-
Rufen Sie das Modell ab:
https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/models/{ModelId} Method: GET Body:
-
Synchron mit Daten erkennen:
https://anomalydetection.aiservice.us-phoenix-1.oci.oraclecloud.com/20210101/actions/detectAnomalies Method: POST Body: { "modelId": "ocid1.aimodel.oc1.phx.amaaaaaaor7l3jialglh5vnt2w3nj6zly4dpcjfex6lktujo24t5aklmn2ta", "requestType": "INLINE", "signalNames":["sensor1", "sensor2", "sensor3", "sensor4", "sensor5", "sensor6", "sensor7", "sensor8", "sensor9", "sensor10", "sensor11"], "data":[ {"timestamp":"2023-01-17T20:44:46Z","values": [1,-9.6193,0.3208,0.6199,-0.4936,5.0697,-0.5063,0.4253,0.4864,-0.0798,0.0446]}, {"timestamp":"2023-01-17T20:45:46Z","values": [1,9.4101,-0.3522,0.0942,-0.0564,null,0.0263,-0.3787,-0.8164,-0.6446,0.5502]}, {"timestamp":"2023-01-17T20:46:46Z","values": [1,5.3969,-0.472,0.75,0.3282,6.5583,0.0238,-0.2817,-0.3909,0.8025,0.5054]}, {"timestamp":"2023-01-17T20:47:46Z","values": [1,0.2148,-0.516,-0.0296,0.2276,5.7661,0.5468,0.534,0.2702,-0.4179,0.0011]} ] }