Sintaxis de aprendizaje automático - Simple Log Service - Centro de documentación de Alibaba Cloud

SLS ofrece funciones de aprendizaje automático compatibles con SQL para el análisis de series temporales, que incluyen suavizado, predicción, detección de anomalías, descomposición y agrupamiento de varias series.

Funciones

Operaciones de suavizado para datos de una sola serie temporal.
Predicción, detección de anomalías, detección de puntos de cambio, detección de puntos de inflexión y estimación de varios periodos para datos de una sola serie temporal.
Descomposición de datos de una sola serie temporal.
Algoritmos de agrupamiento para varias series temporales.
Minería de patrones en varios campos de datos numéricos o de texto.

Límites

Los datos de series temporales deben muestrearse con el mismo intervalo.
Los datos no pueden contener varias muestras del mismo punto en el tiempo.

Límites de capacidad de procesamiento:

Elemento	Límite
Procesamiento de series temporales	Máximo de 150,000 puntos de datos consecutivos. Si se excede este límite, agregue los datos o reduzca la frecuencia de muestreo.
Agrupamiento basado en densidad	Hasta 5,000 series temporales, cada una limitada a 1,440 puntos de datos.
Agrupamiento jerárquico	Hasta 2,000 series temporales, cada una limitada a 1,440 puntos de datos.

Funciones de aprendizaje automático

Categoría		Función	Descripción
Series temporales	Smooth function	ts_smooth_simple	Suaviza datos de series temporales mediante el algoritmo Holt Winters.
		ts_smooth_fir	Suaviza datos de series temporales mediante un filtro de respuesta al impulso finita (FIR).
		ts_smooth_iir	Suaviza datos de series temporales mediante un filtro de respuesta al impulso infinita (IIR).
	Multi-period estimation function	ts_period_detect	Estima datos de series temporales por periodo.
	Change point detection function	ts_cp_detect	Detecta intervalos con características estadísticas distintas e identifica sus extremos como puntos de cambio.
	Change point detection function	ts_breakout_detect	Detecta puntos donde los datos experimentan cambios drásticos.
	Maximum value detection function	ts_find_peaks	Detecta valores máximos locales en una ventana especificada.
	Prediction and anomaly detection function	ts_predicate_simple	Modela, predice y detecta anomalías en datos de series temporales con parámetros predeterminados.
		ts_predicate_ar	Modela, predice y detecta anomalías mediante un modelo autorregresivo (AR).
		ts_predicate_arma	Modela, predice y detecta anomalías mediante un modelo de media móvil autorregresiva (ARMA).
		ts_predicate_arima	Modela, predice y detecta anomalías mediante un modelo de media móvil integrada autorregresiva (ARIMA).
		ts_regression_predict	Predice la tendencia a largo plazo de una serie temporal periódica única.
	Sequence decomposition function	ts_decompose	Descompone datos de series temporales mediante el algoritmo STL (descomposición estacional y de tendencia con Loess).
	Kernel density estimation functions	kernel_density_estimation	Ajusta los puntos de datos observados con una función de pico suave para aproximar la distribución de probabilidad.
Minería de patrones	Frequent pattern mining functions	pattern_stat	Extrae combinaciones representativas de atributos de muestras de campos con varios atributos para identificar patrones frecuentes.
	Pattern mining (tabular data drill-down analysis) function	pattern_diff	Identifica patrones que causan diferencias entre dos conjuntos de datos.
	Root cause analysis functions	rca_kpi_search	Analiza los atributos de subdimensiones que provocan anomalías en las métricas.
	Correlation analysis functions	ts_association_analysis	Identifica métricas correlacionadas con una métrica específica entre varias métricas observadas.
	Correlation analysis functions	ts_similar	Identifica métricas correlacionadas con datos de series temporales específicos entre varias observadas en el sistema.
	Request URL classification function	url_classify	Clasifica URL de solicitudes y asigna etiquetas mediante expresiones regulares definidas.