ДалееСледующее руководство
Переиндексация вложений при изменении моделей
Технический
Техническое РУКОВОДСТВО
Обнаружение точки изменения определяет моменты, когда статистическое поведение ряда меняется, например, изменение среднего значения, дисперсии или тренда.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Такие методы, как CUSUM, PELT и байесовский подход, делают разные предположения относительно затрат, штрафов и того, обнаруживаются ли изменения ретроспективно или онлайн.
Точка изменения — это момент, когда процесс, генерирующий последовательность, существенно изменяется. Измененным свойством может быть среднее значение, дисперсия, наклон, распределение или взаимосвязь между переменными. Обнаружение имеет большое значение для контроля качества, мониторинга и анализа временных рядов, поскольку одна модель, адаптированная для разных режимов, может скрывать изменения или давать вводящие в заблуждение прогнозы. Автономные методы анализируют завершенную последовательность и оценивают, где произошли изменения. Они часто делят данные на сегменты и минимизируют сумму внутрисегментных затрат плюс штраф за каждое изменение. Штраф контролирует сложность: слишком низкий показатель может привести к чрезмерной сегментации шума, а слишком высокий может привести к упущению реальных изменений. PELT — это точный алгоритм сегментации со штрафами для поддерживаемых функций стоимости и условий сокращения с благоприятным вычислительным поведением во многих настройках; это не гарантия правильного наказания или универсального ограничения времени выполнения. CUSUM — это метод последовательного мониторинга, который накапливает данные об отклонении от эталона. Порог определяет, когда подавать сигнал, с компромиссом между задержкой обнаружения и ложными тревогами. Байесовские онлайн-методы сохраняют вероятности на протяжении серий, времени с момента последнего изменения и обновляют эти вероятности по мере поступления наблюдений. Эти подходы различаются задержкой и возможностью пересмотра исторической сегментации. Обнаруженное изменение является статистическим свидетельством, а не объяснением. Это может отражать реальное вмешательство в процесс, сезонность, дрейф датчиков, выбросы или изменения в конвейере данных. Оцените чувствительность к минимальной длине сегмента, функции стоимости и штрафам, а также учтите автокорреляцию и многочисленные возможности мониторинга. Если точка изменения обнаруживается ретроспективно после поиска во многих местах, неопределенность в ее положении и риск ложного обнаружения имеют значение. Для оперативного использования определите, какое действие следует за оповещением, и отслеживайте ложные тревоги и пропущенные изменения. Алгоритм может определить границу своей цели; Исследование домена определяет, что произошло и должна ли система реагировать.
Гипотетический датчик имеет средние показания около 20 до технического обслуживания и около 27 после него. Детектор среднего сдвига может оценить границу, в то время как инженеры проверяют, отражает ли это изменение калибровку или реальное изменение процесса.
CUSUM накапливает небольшие отклонения от эталонного уровня, позволяя постоянным умеренным сдвигам вызывать сигнал, даже если отдельные наблюдения не являются экстремальными.
Аналитик использует PELT для автономной сегментации с указанием стоимости сегмента и штрафа. Более высокий штраф обычно препятствует добавлению большого количества точек изменения, поэтому торговля подходит для более простой сегментации.
Служба отслеживает события по мере их поступления и требует оперативных оповещений. Онлайн-метод байесовской точки изменения может обновлять вероятность изменения режима на каждом этапе, тогда как офлайн-методы могут использовать полную завершенную последовательность.
Мониторинг изменений можно сделать более действенным, документируя отслеживаемую статистику, базисный период, штраф за сегментацию или порог тревоги, а также стоимость отложенного обнаружения. Команды должны маркировать вмешательства и изменения в конвейере данных, чтобы оповещения можно было интерпретировать в контексте. Офлайн-анализ может помочь объяснить прошлый сдвиг, в то время как онлайн-системам нужны явные цели по задержке и ложным тревогам. Производительность следует оценивать с использованием моделируемых или маркированных изменений, где это возможно, а затем отслеживать по мере развития нормального поведения. Обнаруженная граница должна вызывать расследование, а не автоматическое установление причины.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Обнаружение точки изменения определяет моменты, когда статистическое поведение ряда меняется, например, изменение среднего значения, дисперсии или тренда. Такие методы, как CUSUM, PELT и байесовский подход, делают разные предположения относительно затрат, штрафов и того, обнаруживаются ли изменения ретроспективно или онлайн.
Точки изменений могут представлять собой изменения в некоторых статистических свойствах процесса генерации.
Штраф за сложность взимает плату за дополнительные точки изменения, отдавая предпочтение более простой сегментации по мере ее роста.
CUSUM накапливает отклонения для обнаружения постоянных сдвигов, которые могут быть умеренными для каждого наблюдения.
Порог определяет, когда накопленные данные вызывают тревогу, и компенсирует задержку ложными тревогами.
Этот метод отслеживает апостериорные вероятности того, как долго просуществовал нынешний режим.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Переиндексация вложений при изменении моделей
Технический