Comparte tus ideas sobre la nueva función de detección de anomalías (versión preliminar)

[ancyphilip]

Pulse Responder para decirnos qué piensa acerca de la nueva función de detección de anomalías para que podamos seguir mejorando.

-Equipo de IA de Power BI

[lisahua46]

Gracias por informar el problema, Mirando en él..

[Capstone]

Gracias. Muy apreciado.

[lisahua46]

Tutorial de detección de anomalías - Power BI ? Documentos de Microsoft

Echa un vistazo a este blog técnico para obtener más detalles sobre el algoritmo de detector de anomalías.

La fuerza se define como "poder explicativo"

La implementación de AnomalyDetection and Explanation es de código abierto

Código fuente: AnomalyDetection Explicación

[lisahua46]

No hay relación entre sensibilidad y fuerza.

Establecemos un umbral como explanatoryPower > 55%, siguiendo la mejor práctica de Azure Anomaly Detection API. API de detector de anomalías - Tutoriales, inicios rápidos, referencia de la API - Azure Cognitive Services ? Documentos de Microsoft

indicando que, la relación de desviación entre la explicación y la serie temporal agregada para el punto de anomalía debe ser superior al 55% (más de la mitad), para ser considerada como una explicación razonable.

[lisahua46]

Tutorial de detección de anomalías - Power BI ? Documentos de Microsoft

Echa un vistazo a este blog técnico para obtener más detalles sobre el algoritmo de detector de anomalías.

El usuario debe obtener resultados casi idénticos del uso de la API de Azure AnomalyDetection frente a la detección de anomalías de PowerBI.

La sensibilidad es una forma en la que permitimos a los usuarios ajustar el modelo con el entendimiento de que diferentes empresas o personas podrían tener una tolerancia diferente incluso en el mismo conjunto de datos. Cuanto mayor sea la sensibilidad, más estrecha será la banda, como resultado, obtendrá más anomalías.

La fuerza se define como "poder explicativo"

"Poder explicativo" es el porcentaje de cambio en el valor agregado en un punto de anomalía que se explica por el valor de explicación/serie temporal. Concretamente, se calcula como la relación de desviación (valor real menos esperado) entre la serie temporal de explicación/componente (por ejemplo, para Tipo de propiedad - Loft) y la serie temporal agregada para el punto de anomalía. Ver papel original

La implementación de AnomalyDetection and Explanation es de código abierto

Código fuente: AnomalyDetection Explicación

No hay relación entre sensibilidad y fuerza.

En términos generales, para explicar las anomalías, hacemos lo siguiente:

1. Dada una "serie temporal agregada" (por ejemplo, Recuento de listados por fecha) con una anomalía en una fecha determinada, encuentre anomalías en todas las "series temporales de componentes" (Recuento de listados por fecha donde Tipo de propiedad , Loft, Recuento de listados por fecha donde Tipo de propiedad - Cabina, Recuento de listados por fecha donde Vecindario - Capitol Hill, etc.)
2. Busque la dimensión (es decir, Tipo de propiedad o Vecindario en el ejemplo) para la que la serie temporal de componentes muestra probablemente una causa raíz en la fecha dada. Esto se basa utilizando un árbol de decisión (con clases que son anomalía vs no anomalía) y el criterio de división es Relación de ganancia de entropía y filtrado adicional
3. Para la dimensión elegida (por ejemplo, Tipo de propiedad) valores de dimensión de clasificación (Loft, Cabina, etc.) con anomalías en la fecha dada de acuerdo con una "potencia explicativa"

[Capstone]

Hola

¿Puede proporcionar algunos recursos que dan una comprensión intuitiva del algoritmo que sería más fácil de entender para los usuarios de negocios. Preguntas como

Qué es la sensibilidad y cómo cambia la sensibilidad cambia las anomolies

¿Cómo se calcula el rango

¿Qué es la fuerza %

¿Cuál es la relación entre sensibilidad y fuerza (si existe)

Por ejemplo: Si estamos analizando anamolies para los datos de ventas y utilizando el Cliente como Explicación y sensibilidad al 70%. ¿Qué significa cuando hay un anamoly en 70% sensibilidad y la fuerza es 45%.

Ayudaría mucho, ya que en este momento estos términos no están claros. Sin una comprensión intuitiva de estos términos sería difícil para los usuarios empresariales explicar los datos.

[unais]

cómo puede obtener una explicación?

[lisahua46]

1. Puede especificar los campos de explicación por sí mismo https://powerbi.microsoft.com/en-us/blog/anomaly-detection-preview/

2. Si no se especifica ningún campo en los campos explainBy, probamos algunas dimensiones basadas en heurisitics, teniendo en cuenta el rendimiento.

3. Invocamos la API de explicación con estas dimensiones para realizar un árbol de decisión de entropía máxima tratando de encontrar explicación, machinelearning/time-series-root-cause-localization.md en master á dotnet/machinelearning (github.co...

4. Puede suceder que ninguna de las dimensiones afecte significativamente a la anomalía. Ya sea porque es posible que la dimensión no esté seleccionada (que el usuario puede introducir su información especificando dimensiones) o porque estas dimensiones no contribuyen significativamente a la anomalía basada en el árbol de decisiones.

5. Si puede compartir un repro pbix con nosotros, podemos buscar en detalles. (puede hacer referencia a una respuesta anterior en este post con la reproducción del grupo de cálculo)

[kushsoni]

Hola equipo,

Como esto actualmente no admite la consulta directa de SQL, he calculado mis propios límites superior e inferior y quería usar el gráfico que se está utilizando aquí para mostrar anomalías. ¿Puede compartir cómo puedo crear un gráfico similar donde los límites superior e inferior se muestran como un rango / banda en el valor real?

Gracias

Kush

[lisahua46]

Hola, ¿puede compartirnos una reproducción para la consulta directa de SQL? se supone que la detección de anomalías funciona en este caso. Y queremos asegurarnos de arreglarlo si no funciona.

[JakeStone]

¡Me encanta esta función! ¿Alguna posibilidad de poder usarlo con un objeto visual anclado a un panel en un futuro próximo? Creación de informes de vacaciones para la próxima semana y tuvo que eliminar la detección de anomalías de cualquier objeto visual que estaba agregando al informe ya que no se cargarían, asumo porque no es compatible todavía.

[YasinShtiui]

Hola JakeStone,

Puede esperar que los gráficos de líneas que contienen detecciones de anomalías se representen en los paneles a principios de diciembre (probablemente la semana del 30 de noviembre).

[yakovleva_j]

Hola. Sólo quería decir que esta es una gran característica)

[deanismael]

Estoy observando el mismo comportamiento @tez. @ancyphilip - por favor, puede aconsejar y también hágamelo saber acerca de la compatibilidad de esta característica en Embedded. Gracias.

[lisahua46]

Todavía no hemos sido compatibles con el escenario integrado, estamos planeando admitirlo en la próxima SU, es decir, el próximo mes.

[deanismael]

Esas son noticias fantásticas. Gracias por confirmarlo.

[deanismael]

¿Ha intentado ejecutar la detección de anomalías con la jerarquía de fecha establecida en el valor de fecha solamente y, a continuación, volver a cambiarla a la vista jerárquica (garantizar que la ruta de investigación con fines de prueba tenga más de 12 puntos de datos, es decir, el día del mes)?

[tez]

Hola @deanismael

Sí, lo he intentado; si sólo uso un campo de fecha (sin jerarquía), funciona. Tan pronto como utilizo cualquier jerarquía (independientemente de la capa de jerarquía, más de 12 puntos de datos), el mensaje aparece como publicado antes.

[tez]

Recibo un mensaje de error al usar una jerarquía de fechas de mi tabla de fechas individual:

Cualquier pista, ¿cuál podría ser el problema? ¿Cómo se debe construir una jerarquía de fechas, que se puede usar para la detección de anomalías?

saludos

Thomas.

[lisahua46]

Creo que la jerarquía de fecha puede parecerse a continuación

Y puede explorar en profundidad usando el icono de desglose.

¿Su configuración parece diferente de la configuración anterior?

[tez]

Hola @lisahua46

no, es lo mismo; la captura de pantalla solo muestra una parte diferente de la pantalla.