Machen Sie sich mit MetricBase APIs vertraut

  • Freigeben Version: Washingtondc
  • Aktualisiert 1. Februar 2024
  • 2 Minuten Lesedauer

    • Experimentieren Sie mit MetricBase APIs mithilfe von Datenexplorer, das Teil der Demoanwendung [ MetricBase ist. Datenexplorer verwendet die mit der Anwendung MetricBase Demo installierten Daten.

    Vorbereitungen

    Erforderliche Rolle: clotho_admin

    Warum und wann dieser Vorgang ausgeführt wird

    Datenexplorer ist eine Spielwiese, auf der Sie Beispielskripts anzeigen und bearbeiten können, die Daten visualisieren, die in der Demoanwendung MetricBase enthalten sind. Die Beispielskripts verwenden die JavaScript-APIs MetricBase. Weitere Informationen zu den JavaScript-APIs MetricBase finden Sie unter Client, Data, DataBuilder, Transformer, TransformPart, TransformResult.

    Beachten Sie, dass der API-Endpunkt now/v1/clotho/transform/topic nur für die interne Verwendung reserviert ist.

    Beispielskripts verwenden entweder:

    • Transformationen, die die Transformer- Methode verwenden.
    • Maschinensprache, trainierte Modelle, die das erwartete Verhalten vorhersagen. Alle Skripts ohne „Umwandeln“ im Titel verwenden Maschinensprache.

    Prozedur

    1. Navigieren zu Alle > MetricBase-Demo > Datenexplorer.
      Der Datenexplorer wird angezeigt.
      Daten-Explorer-UI

      Wenn Sie ein Skript ausführen, wird die Datenvisualisierung unter Datenexplorer Skriptergebnisanzeigeangezeigt.

    2. Wählen Sie eines der Beispielskripts aus, die im Menü „Beispielskript“ ausgeführt werden sollen.
      Schritte zum Ausführen eines Skripts
    3. Klicken Sie auf Beispiel laden.
    4. Klicken Sie auf Ausführen.
      Das Skript zeigt die Datenvisualisierung unter Datenexplorer Skriptergebnisanzeigean.
    5. Wahlweise: Ändern Sie die Werte oder Anweisungen im Skript, oder schreiben Sie ein völlig neues Skript, und klicken Sie auf Ausführen.
      Hinweis:
      Wenn Sie die im Skript vorgenommenen Änderungen speichern möchten, klicken Sie auf Speichern.
    6. Sehen Sie sich unter Serverausgabe die Antwort des Serversan, die möglicherweise Fehlerinformationen enthält.

    Beispiel

    Tabelle : 1. Beispielskripts
    Beispiel-Skript Definition und Visualisierung
    Einfache Transformation Verwendet die Transformer-API, um eine einzelne Zeitreihenmetrik anzuzeigen, die Durchschnittsgeschwindigkeit der -Drohnen: transformator.metric('mb_demo_mt_speed').avg().

    Einfache Transformation mit Durchschnitt
    Einfache Transformation mit Gruppierung Verwendet die Transformer-API, um eine Gruppe von Zeitreihenmetriken anzuzeigen, die durchschnittliche Höhe der Flotte der Drosseln: 
    transformer.groupBy("fleet").metric("mb_demo_mt_altitude").
      avg().label('avg - %g:fleet:')

    Gruppierungstransformation
    Normales Modell Modelliert normale Daten, die für verteilte Werte einer glocken- oder gaußschen Kurve angenähert werden.
    Lineares Modell Erstellt eine Linie, um die aktuellen Daten zusammenzufassen und zukünftige Werte vorherzusagen. In diesem Beispiel werden die Werte des trainierten Modells und der Durchschnitt der Werte grafisch dargestellt.
    var builder = new sn_clotho.Transformer(drones);
var fit = builder.metric("mb_demo_nt_rem_battery").resample(100).
          fit({model:"linear"}).label("Fitted");
builder.metric("nb_demp_mt_rem_battery").avg().label("Original")

    Lineares Modell
    Saisonales Trendzerlegungsmodell Verwendet ein saisonales Trendmodell, sodass Daten subtrahiert werden können, um nicht saisonabhängige Trends aufzudecken. Dieses Modell ähnelt in seinem Zweck dem Modell von Ford-Holt-Winds, kommt jedoch mit anderen Algorithmen zum Ergebnis.
    var builder = new sn_clotho.Transformer(drones);
var metric = "nb_demo_mt_rem_battery";
var fit = builder.metric(metric).fit({model:"STL",periodicity:"PT2H", 
          innerCycles:1, outerCycles:10})

    Saisonale Trendkorrektur
    holt-Winds-Modell Nutzt das saisonale Trendmodell „Holt's Springs“, sodass Daten subtrahiert werden können, um nicht saisonabhängige Trends aufzudecken. Dieses Modell ähnelt in seinem Zweck dem Modell der saisonalen Trendzerlegung, erreicht das Ergebnis jedoch mithilfe anderer Algorithmen.
    ARIMA-Modell Die allgemeinste Klasse von Modellen für die Vorhersage von Zeitreihendaten ohne Trend, d. h. alle Daten haben denselben Wert oder die Werte schwanken linear um den Mittelwert.
    Abweichungsmodell Verwendet das Chi-Quadrat-Modell, um die Unterschiede zwischen den tatsächlichen Daten und der Vorhersage des Modells anzuzeigen. 
    var metric = "nb_demo_mt_rem_battery";
builder.metric(metric).deviation(model, "chiSquare");

    Abweichungsmodell