Machen Sie sich mit MetricBase APIs vertraut

  • Freigeben Version: Xanadu
  • Aktualisiert 1. August 2024
  • 2 Minuten Lesedauer

    • Experimentieren Sie mit MetricBase APIs unter Verwendung 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 ein Playground, auf dem Sie Beispielskripts anzeigen und bearbeiten können, die in der Demo-Anwendung MetricBase enthaltene Daten visualisieren. Die Beispielskripts verwenden die JavaScript APIs MetricBase. Informationen zu den MetricBase JavaScript-APIs finden Sie unter Client, Daten, DataBuilder, Transformator, TransformPart, TransformResult.

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

    Beispielskripts verwenden entweder:

    • Transformationen, die die Transformatormethode verwenden.
    • Maschinensprache, trainierte Modelle, die das erwartete Verhalten vorhersagen. Alle Skripts ohne „Transform“ im Titel verwenden Maschinensprache.

    Prozedur

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

      Wenn Sie ein Skript ausführen, wird die Datenvisualisierung unter Daten-Explorer Skriptergebnisanzeigeangezeigt.

    2. Wählen Sie im Menü Beispielskript eines der auszuführenden Beispielskripts aus.
      Schritte zum Ausführen eines Skripts
    3. Klicken Sie auf Beispiel laden.
    4. Klicken Sie auf Ausführen.
      Das Skript zeigt die Datenvisualisierung unter Daten-Explorer Skriptergebnisanzeigean.
    5. Wahlweise: Ändern Sie die Werte oder Anweisungen im Skript, oder erstellen Sie ein komplett 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 Transformator-API, um eine einzelne Zeitreihenmetrik anzuzeigen, die durchschnittliche Geschwindigkeit der Drohnen: transformator.metric('mb_demo_mt_speed').avg().

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

    Gruppierungstransformation
    Normales Modell Modelliert Normaldaten, die eine Glockenform oder eine Gauß-Kurve für verteilte Werte nähern.
    Lineares Modell Erstellt eine Zeile, um die aktuellen Daten zusammenzufassen und zukünftige Werte vorherzusagen. In diesem Beispiel, das die verbleibende Ladung von Drohnenakkus behandelt, werden sowohl die Werte des trainierten Modells als auch 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 Trendaufschlüsselungsmodell Verwendet ein saisonales Trendmodell, sodass Daten subtrahiert werden können, um nicht saisonale Trends anzuzeigen. Dieses Modell ähnelt in seinem Zweck dem Feiertags-Modell, das Ergebnis wird jedoch mithilfe anderer Algorithmen ermittelt.
    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 Korrektur des Trends
    Fordert-Woods-Modell Verwendet das saisonale Trendmodell für den Feiertagskalender, sodass Daten subtrahiert werden können, um nicht saisonale Trends anzuzeigen. Dieses Modell ähnelt in seinem Zweck dem Modell mit der saisonalen Trendaufschlüsselung, das Ergebnis wird jedoch mithilfe anderer Algorithmen ermittelt.
    ARISA-Modell Die allgemeinste Klasse von Modellen zur Vorhersage von Zeitreihendaten ohne Trend, d. h. alle Daten haben denselben Wert oder die Werte fluktuieren 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