Содержание

Просмотр параметров элемента ML-модели

Просмотр параметров элемента ML-модели

Развернуть все | Свернуть все

Чтобы просмотреть параметры элемента ML-модели:

В основном меню выберите раздел Модели.
Нажмите на вертикальное меню , которое расположено в строке той ML-модели, сведения которой нужно просмотреть, и выберите пункт Детали модели.
Справа откроется панель <Имя ML-модели> с подробными сведениями об ML-модели.
Для просмотра параметров элемента ML-модели выберите вкладку Элементы модели и нажмите на значок стрелки вниз () рядом с нужным элементом ML-модели.
В панели <Имя ML-модели> отобразится список параметров элемент ML-модели.

Список параметров элемента ML-модели и их описание представлены в таблице ниже.

Параметры элемента ML-модели

Параметры элемента ML-модели	Описание параметров элемента ML-модели
ID	Автоматически назначаемый короткий идентификатор элемента ML-модели.
Имя элемента	Имя элемента ML-модели. Параметр доступен для изменения.
UUID	Автоматически назначаемый полный идентификатор элемента ML-модели.
element_path	Путь к элементу ML-модели.
block_type	Тип элемента ML-модели (например, neural_forecaster – предсказательная нейронная сеть или rule – правило).
color	Параметр, определяющий цвет элемента ML-модели и цвет точек-индикаторов инцидентов, зарегистрированных элементом ML-модели, на графиках в разделах Мониторинг и История. Параметр доступен для изменения.
alpha	Параметр сглаживания суммарной ошибки MSE (для ML-модели, построенной на основе детектора Forecaster) или параметр сглаживания вероятности обнаружения аномалии (для ML-модели, построенной на основе детектора XGBoost). Параметр доступен для изменения.
delta_t	Параметр, определяющий шаг временной сетки (в наносекундах). ML-модель работает с данными, которые рассчитываются на равноинтервальной временной сетке. Перевод полученных данных телеметрии на равноинтервальную временную сетку производится автоматически.
tag_ids	Список идентификаторов тегов, которые включены в элемент ML-модели. Подробнее о параметре tag_ids. Из числа этих тегов выбираются входные теги (параметр in_tags), поставляющие исходные данные для предсказания, и выходные теги (параметр out_tags), значения которых предсказываются элементом ML-модели. Состав тегов в параметрах in_tags и out_tags могут пересекаться или совпадать. ML-модель не обязательно анализирует все доступные теги объекта мониторинга. Если ML-модель построена на основе детектора Rule Detector в составе выходных тегов, значения которых предсказываются элементом ML-модели, могут присутствовать специальные индикаторные теги, сигнализирующие, что правило сработало. Выбор тегов производится специалистом при создании ML-модели.
in_tags	Список тегов, которые служат исходными данными для предсказания значений выходных тегов out_tags.
indicator_tags	Список выходных индикаторных тегов, которые включены в элемент ML-модели. Параметр присутствует только в списке параметров ML-модели, построенной на основе детектора Rule Detector.
input_window_size	Входной интервал наблюдений, измеряемый количеством шагов временной сетки (размер входного окна). Подробнее о параметре input_window_size. Этот параметр определяет длину входного окна входных значений параметров in_tags элемента ML-модели, на основе которых этот элемент ML-модели определяет выходные значения параметров out_tags в выходном окне forecast_window_size: предсказываемые для детектора Forecaster; рассчитываемые для детектора Rule Detector; предсказываемые с определенной вероятностью для детектора XGBoost. Длина окна определяется как число интервалов delta_t.
power	Показатель степени суммарной ошибки прогноза (MSE). Параметр доступен для изменения и присутствует только в списке параметров ML-модели, построенной на основе детектора Forecaster.
threshold	Пороговое значение для регистрации инцидента. Параметр присутствует только в списке параметров ML-модели, построенной на основе детектора Forecaster. Подробнее о параметре threshold. Параметр threshold интерпретируется следующим образом: Для модели, построенной на основе детектора Forecaster этот параметр означает порог суммарной ошибки MSE и доступен для изменения. Для модели, построенной на основе детектора XGBoost, этот параметр означает предельное значение вероятности, превышение которого считается обнаружением аномалии. Для индикаторных тегов на основе детектора Rule Detector пороговое значение всегда считается равным единице.
batch_size	Число входных окон, обрабатываемых элементом ML-модели за один проход в процессе обучения. Параметр присутствует только в списке параметров ML-модели, построенной на основе детектора Forecaster.
forecast_shift	Смещение окна предсказания forecast_window_size относительно начала входного окна input_window_size (в шагах временной сетки).
forecast_window_size	Длина выходного окна, для которого элемент ML-модели определяет значения выходных тегов out_tags на основании входных тегов in_tags на входном окне input_window_size. Длина выходного окна указывается в количестве шагов временной сетки.
out_tags и mse_weights	Список выходных тегов и их относительных весов. Значения выходных тегов предсказываются ML-моделью и впоследствии сравниваются с фактическими. Параметр доступен для изменения и присутствует только в списке параметров ML-модели, построенной на основе детектора Forecaster. Подробнее о параметре out_tags и mse_weights. Характеризуется следующими составными элементами: ID тега – идентификатор выходного тега. Если ML-модель построена на основе детектора Rule Detector, идентификатор выходного тега может содержать индикаторные теги по каждому из правил, входящих в состав элемента модели. Имя тега – имя выходного тега. Значение веса – вес ошибки предсказания значения выходного тега в суммарной ошибке MSE. Сумма весов всех выходных тегов автоматически нормируется на единицу.
mode	Метод вычисления ошибки MSE службой Anomaly Detector. Параметр присутствует только в списке параметров ML-модели, построенной на основе детектора Forecaster. Подробнее о параметре mode. Параметр mode поддерживает следующие методы вычисления ошибки MSE: REAL – ошибка MSE будет вычисляться при каждом изменении реальных значений тегов. REAL_DECIMATED – ошибка MSE будет вычисляться не чаще, чем шаг временной сетки delta_t при изменении реальных значений тегов. UNIFORM – ошибка MSE будет вычисляться в узлах равноинтервальной временной сетки с шагом delta_t. ALL – ошибка MSE будет вычисляться в узлах равноинтервальной временной сетки с шагом delta_t, а также при каждом изменении реальных значений тегов. ALL_DECIMATED – ошибка MSE будет вычисляться в узлах равноинтервальной временной сетки с шагом delta_t, а также при изменении реальных значений тегов не чаще, чем шаг delta_t. Если данные телеметрии были приведены к равноинтервальной временной сетке службой Stream Processor до их передачи на обработку в ML-модель, то значение ошибки MSE будет одинаковым вне зависимости от выбранного метода вычисления ошибки MSE.

В нейросетевых ML-моделях суммарная ошибка прогноза, обозначаемая параметром MSE в веб-интерфейсе программы, как правило, рассчитывается с экспоненциальным сглаживанием, то есть является суммой моментальных ошибок прогноза в текущей и предыдущих точках, причем вклад точки, отстоящей на k шагов, уменьшается с коэффициентом (1-alpha)^k. Суммарная ошибка вычисляется как корень степени power из взвешенной с весами mse_weights суммы индивидуальных мгновенных ошибок прогноза по каждому выходному тегу в степени power. Значение ошибки MSE рассчитывается без сглаживания при параметре alpha равном 1.

В начало