예측 모델을 사용하여 데이터의 예외 MetricBase 탐지
MetricBase 모델 매개변수를 결정하기 위해 시계열 데이터의 대표 샘플을 학습시켜 모델을 만듭니다. 학습 프로세스는 정상 데이터와 예외 데이터를 구별하기 위해 데이터에 가장 적합한 모델 매개변수를 결정합니다.
MetricBase 는 다음 모델 유형을 지원합니다.
- PEWMA(Probabilistic Exponentially Weighted Moving Average)는 확률 요인을 사용하여 데이터 변화에 반응하는 방식을 결정하는 이동 평균 알고리즘입니다.
- ARIMA(Autoregressive Integrated Moving Average), 이전 오류 및 값을 고려하는 이동 평균 알고리즘
- 황토(STL)를 사용한 계절 추세 분해, 시계열 데이터를 계절 및 추세 구성요소로 분해하는 계절 알고리즘
- Holt-Winters(HW) - 추세 및 계절 구성요소를 분해하여 수준을 결정하는 계절 알고리즘
주:
MetricBase 모델 클래스 목록에서 선택할 Find Best Fit Model 때 가장 적합한 모델 유형을 선택합니다.
데이터에서 모델을 학습한 후 새 데이터가 학습된 데이터와 크게 다를 때 흐름을 트리거할 수 있습니다.