多变量时间序列数据的随机切割森林异常检测

我从设备中获取了包含多个属性的时间序列传感器数据,

我使用了RCF算法来检测异常。现在的挑战是,如何说服最终用户判断这是否真的是异常。我只想知道哪个属性对异常有贡献。

有什么最好的方法来说服最终用户判断这是否真的是异常吗?


回答:

运行RCF模型并获取异常解释的最简单方法是使用Kinesis Analytics(KA)中的RCF版本。这里有一个链接,指向KA文档中如何运行的说明:https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html

Kinesis负责模型的训练、初始训练后的推断以及变量的归因和解释。

https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/images/anomaly_results.png

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注