CREATE SNOWFLAKE.ML.ANOMALY_DETECTION¶

사용자가 제공한 훈련 데이터를 사용하여 새로운 변칙 감지 모델을 생성하거나 기존 모델을 바꿉니다.

구문¶

CREATE [ OR REPLACE ] SNOWFLAKE.ML.ANOMALY_DETECTION <model_name>(
  INPUT_DATA => <reference_to_training_data>,
  [ SERIES_COLNAME => '<series_column_name>', ]
  TIMESTAMP_COLNAME => '<timestamp_column_name>',
  TARGET_COLNAME => '<target_column_name>',
  LABEL_COLNAME => '<label_column_name>',
  [ CONFIG_OBJECT => <config_object> ]
)
[ [ WITH ] TAG ( <tag_name> = '<tag_value>' [ , <tag_name> = '<tag_value>' , ... ] ) ]
[ COMMENT = '<string_literal>' ]

Copy

매개 변수¶

model_name

변칙 감지기 오브젝트의 식별자(model_name)를 지정하며, 오브젝트가 생성되는 스키마에 대해 고유해야 합니다.

또한, 식별자는 알파벳 문자로 시작해야 하며 전체 식별자 문자열을 큰따옴표(예: "My object")로 묶지 않는 한 공백이나 특수 문자를 포함할 수 없습니다. 큰따옴표로 묶인 식별자도 대/소문자를 구분합니다. 자세한 내용은 식별자 요구 사항 섹션을 참조하십시오.

생성자 인자¶

필수:

INPUT_DATA => reference_to_training_data

모델을 위한 학습 데이터를 반환하는 테이블, 뷰 또는 쿼리에 대한 참조 를 지정합니다.

이 참조를 생성하려면 테이블 이름, 뷰 이름 또는 쿼리와 함께 TABLE 키워드 를 사용하거나 SYSTEM$REFERENCE 또는 SYSTEM$QUERY_REFERENCE 함수를 호출하면 됩니다.

TIMESTAMP_COLNAME => 'timestamp_column_name'

시계열 데이터에서 타임스탬프(TIMESTAMP_NTZ)가 포함된 열의 이름을 지정합니다.

TARGET_COLNAME => 'target_column_name'

분석할 데이터를 포함한 열의 이름을 지정합니다(NUMERIC 또는 FLOAT).

LABEL_COLNAME => 'label_column_name'

데이터에 대한 레이블을 포함한 열의 이름을 지정합니다. 레이블은 주어진 행이 알려진 변칙인지 여부를 나타내는 부울(true/false) 값입니다. 레이블이 지정된 데이터가 없는 경우 이 인자에 대해 빈 문자열('')을 전달하십시오.

선택 사항:

SERIES_COLNAME => 'series_column_name'

(다중 시계열의 경우) 계열의 식별자를 포함하는 열의 이름입니다. 이 열은 어떤 유형의 값이든 될 수 있거나 배열에 있는 둘 이상의 열에서 가져온 값의 조합일 수 있으므로 VARIANT여야 합니다.

CONFIG_OBJECT => config_object

모델 학습 작업 구성에 사용되는 키-값 페어를 포함한 OBJECT 입니다.

키	타입	기본값	설명
`aggregation_categorical`	STRING	`'MODE'`	카테고리형 특징에 대한 집계 메서드입니다. 지원되는 값은 다음과 같습니다. `'MODE'`: 가장 빈번한 값입니다. `'FIRST'`: 가장 빠른 값입니다. `'LAST'`: 최신 값입니다.
`aggregation_numeric`	STRING	`'MEAN'`	숫자형 특징에 대한 집계 메서드입니다. 지원되는 값은 다음과 같습니다. `'MEAN'`: 값의 평균입니다. `'MEDIAN'`: 중간값입니다. `MODE`: 가장 빈번한 값입니다. `'MIN'`: 가장 작은 값입니다. `'MAX'`: 가장 큰 값입니다. `'SUM'`: 값의 총합입니다. `'FIRST'`: 가장 빠른 값입니다. `'LAST'`: 최신 값입니다.
`aggregation_target`	STRING	`aggregation_numeric` 과 동일하거나, 지정되지 않을 경우 `'MEAN'` 입니다.	목표 값에 대한 집계 메서드입니다. 지원되는 값은 다음과 같습니다. `'MEAN'`: 값의 평균입니다. `'MEDIAN'`: 중간값입니다. `MODE`: 가장 빈번한 값입니다. `'MIN'`: 가장 작은 값입니다. `'MAX'`: 가장 큰 값입니다. `'SUM'`: 값의 총합입니다. `'FIRST'`: 가장 빠른 값입니다. `'LAST'`: 최신 값입니다.
`evaluate`	BOOLEAN	TRUE	평가 메트릭을 생성해야 하는지 여부입니다. TRUE인 경우 `evaluation_config` 의 매개 변수를 사용하여 교차 검증을 위해 추가 모델이 훈련됩니다.
`evaluation_config`	OBJECT	평가 구성 섹션을 참조하십시오.	샘플 외부 평가 메트릭을 생성하는 방법을 지정하는 선택적 구성 오브젝트입니다. 다음 섹션을 참조하십시오.
`frequency`	STRING	해당 없음	시계열의 빈도입니다. 지정하지 않으면 모델이 빈도를 추론합니다. 값은 `'1 day'` 와 같이 기간을 나타내는 문자열이어야 합니다. 지원되는 단위에는 초, 분, 시간, 일, 주, 월, 분기, 년이 있습니다. 간격 이름에는 단수형(“hour”) 또는 복수형(“hours”)을 사용할 수 있지만, 약어를 사용할 수는 없습니다.
`on_error`	STRING	`'ABORT'`	학습 시 오류 처리 방법을 지정하는 문자열(상수)입니다. 이는 여러 계열을 학습할 때 가장 유용합니다. 지원되는 값은 다음과 같습니다. `'abort'`: 시계열에서 오류가 발생하면 학습을 중단합니다. `'skip'`: 학습에서 오류가 발생하는 시계열을 건너뜁니다. 이를 통해 다른 시계열에 대한 학습이 성공할 수 있습니다. 모델 학습 중에 어떤 계열이 실패했는지 확인하려면 모델의 <model_name>!SHOW_TRAINING_LOGS 메서드를 호출하십시오.

평가 구성¶

evaluation_config 오브젝트에는 교차 검증을 구성하는 키-값 페어가 포함되어 있습니다. 이러한 매개 변수는 scikit-learn TimeSeriesSplit 교차 검증기에서 가져온 것입니다.

키	타입	기본값	설명
`n_splits`	INTEGER	5	분할 수입니다.
`max_train_size`	INTEGER 또는 NULL입니다(최대값 없음).	NULL	단일 학습 세트의 최대 크기입니다.
`test_size`	INTEGER 또는 NULL입니다.	NULL	테스트 세트의 크기를 제한하는 데 사용됩니다.
`gap`	INTEGER	0	테스트 세트 전에 각 학습 세트의 끝에서 제외할 샘플 수입니다.
`prediction_interval`	FLOAT	0.95	간격 메트릭 계산에 사용되는 예측 간격입니다.

사용법 노트¶

TIMESTAMP_COLNAME, TARGET_COLNAME 또는 LABEL_COLNAME 인자로 지정된 열 이름이 INPUT_DATA 인자로 지정된 테이블, 뷰 또는 쿼리에 존재하지 않을 경우 오류가 발생합니다.
복제 는 CUSTOM_CLASSIFIER 클래스의 인스턴스를 제외한 클래스 인스턴스에 대해 지원되지 않습니다.

예¶

대표적인 예제는 변칙 감지 예제 를 참조하십시오.