Π tulizungumza juu ya utabiri wa mfululizo wa wakati. Muendelezo wa kimantiki utakuwa makala ya kutambua hitilafu.
Maombi
Utambuzi usio wa kawaida hutumiwa katika maeneo kama vile:
1) Utabiri wa kuharibika kwa vifaa
Kwa hivyo, mnamo 2010, centrifuges za Irani zilishambuliwa na virusi vya Stuxnet, ambavyo viliweka vifaa kwa operesheni isiyo bora na kuzima baadhi ya vifaa kwa sababu ya uchakavu wa kasi.
Ikiwa algorithms za kugundua hitilafu zingetumiwa kwenye kifaa, hali ya kutofaulu inaweza kuepukwa.
Utafutaji wa makosa katika uendeshaji wa vifaa hutumiwa sio tu katika tasnia ya nyuklia, lakini pia katika madini na uendeshaji wa mitambo ya ndege. Na katika maeneo mengine ambapo matumizi ya uchunguzi wa utabiri ni nafuu zaidi kuliko hasara iwezekanavyo kutokana na kuvunjika bila kutabirika.
2) Utabiri wa udanganyifu
Pesa zikitolewa kutoka kwa kadi unayotumia huko Podolsk nchini Albania, huenda shughuli zikahitaji kuangaliwa zaidi.
3) Utambulisho wa mifumo isiyo ya kawaida ya watumiaji
Ikiwa baadhi ya wateja wanaonyesha tabia isiyo ya kawaida, kunaweza kuwa na tatizo ambalo hujui.
4) Utambulisho wa mahitaji na mzigo usio wa kawaida
Ikiwa mauzo katika duka la FMCG yamepungua chini ya muda wa kujiamini wa utabiri, inafaa kupata sababu ya kile kinachotokea.
Mbinu za kutambua hitilafu
1) Kusaidia Mashine ya Vekta yenye SVM ya Hatari Moja ya Hatari moja
Inafaa wakati data katika seti ya mafunzo inafuata usambazaji wa kawaida, lakini seti ya majaribio ina hitilafu.
Mashine ya vekta ya usaidizi ya darasa moja huunda uso usio na mstari karibu na asili. Inawezekana kuweka kikomo cha kukata ambayo data inachukuliwa kuwa isiyo ya kawaida.
Kulingana na uzoefu wa timu yetu ya DATA4, SVM ya Daraja Moja ndiyo algoriti inayotumika sana kutatua tatizo la kupata hitilafu.
2) Tenga njia ya msitu
Kwa njia ya "nasibu" ya kujenga miti, uzalishaji utaingia kwenye majani katika hatua za mwanzo (kwa kina kirefu cha mti), i.e. uzalishaji ni rahisi "kujitenga." Kutengwa kwa maadili yasiyo ya kawaida hutokea katika marudio ya kwanza ya algorithm.
3) Bahasha ya mviringo na mbinu za takwimu
Inatumika wakati data inasambazwa kwa kawaida. Kadiri kipimo kilivyo karibu na mkia wa mchanganyiko wa usambazaji, ndivyo thamani inavyozidi kuwa ya kushangaza.
Njia zingine za takwimu zinaweza pia kujumuishwa katika darasa hili.
Picha kutoka dyakonov.org
4) Mbinu za kipimo
Mbinu ni pamoja na kanuni za algoriti kama vile majirani wa k-karibu zaidi, jirani wa k-karibu zaidi, ABOD (ugunduzi wa nje unaotegemea pembe) au LOF (kipengele cha nje cha ndani).
Inafaa ikiwa umbali kati ya maadili katika sifa ni sawa au ya kawaida (ili usipime kiboreshaji cha boa kwenye parrots).
Algorithm ya majirani ya k-karibu inadhani kuwa maadili ya kawaida iko katika eneo fulani la nafasi ya multidimensional, na umbali wa kutofautiana utakuwa mkubwa kuliko kwa hyperplane ya kujitenga.
5) Mbinu za nguzo
Kiini cha mbinu za nguzo ni kwamba ikiwa thamani iko zaidi ya kiasi fulani mbali na vituo vya nguzo, thamani inaweza kuchukuliwa kuwa isiyo ya kawaida.
Jambo kuu ni kutumia algorithm ambayo inaunganisha kwa usahihi data, ambayo inategemea kazi maalum.
6) Mbinu ya sehemu kuu
Inafaa ambapo maelekezo ya mabadiliko makubwa zaidi katika mtawanyiko yameangaziwa.
7) Algorithms kulingana na utabiri wa mfululizo wa wakati
Wazo ni kwamba ikiwa thamani iko nje ya muda wa kutabirika, thamani inachukuliwa kuwa isiyo ya kawaida. Ili kutabiri mfululizo wa saa, algoriti kama vile kulainisha mara tatu, S(ARIMA), kuongeza kasi, n.k. hutumika.
Algorithms ya utabiri wa safu ya wakati ilijadiliwa katika nakala iliyotangulia.
8) Mafunzo yaliyosimamiwa (regression, uainishaji)
Data ikiruhusu, tunatumia algoriti kuanzia urejeshaji wa mstari hadi mitandao inayojirudia. Wacha tupime tofauti kati ya utabiri na dhamana halisi, na tufikie hitimisho ni kwa kiwango gani data inapotoka kutoka kwa kawaida. Ni muhimu kwamba kanuni ina uwezo wa kutosha wa ujanibishaji na kwamba seti ya mafunzo haina maadili yasiyo ya kawaida.
9) Vipimo vya mfano
Wacha tukabiliane na shida ya kutafuta hitilafu kama shida ya kutafuta mapendekezo. Wacha tutengeneze matrix ya kipengele chetu kwa kutumia SVD au mashine za uainishaji, na tuchukue maadili kwenye matrix mpya ambayo ni tofauti sana na yale ya asili kama ya kushangaza.
Picha kutoka dyakonov.org
Hitimisho
Katika nakala hii, tulipitia njia kuu za kugundua makosa.
Kutafuta makosa kunaweza kuitwa sanaa kwa njia nyingi. Hakuna algorithm bora au mbinu, matumizi ambayo hutatua matatizo yote. Mara nyingi zaidi seti ya njia hutumiwa kutatua kesi maalum. Ugunduzi wa hali isiyo ya kawaida hufanywa kwa kutumia mashine za vekta za usaidizi za darasa moja, kutenganisha misitu, mbinu za metri na nguzo, na pia kutumia vipengee kuu na utabiri wa mfululizo wa wakati.
Ikiwa unajua njia zingine, andika juu yao katika maoni kwa kifungu.
Chanzo: mapenzi.com