Requisitos analíticos de machine learning

Los modelos de aprendizaje automático pueden tardar algún tiempo en entrenarse y construirse basándose en distintos requisitos analíticos.

Análisis de aprendizaje de máquina

Analítica de grupos de homólogos: Estas analíticas identifican a los usuarios que participan en actividades similares y el modelo los coloca en grupos de homólogos. A continuación, se generan alertas basadas en las desviaciones de un usuario de su grupo de homólogos.
Los modelos de grupo de homólogos no tienen una fase de entrenamiento. Solo tienen una fase de generación de modelos y una fase de puntuación porque ingieren 30 días de los datos de un usuario.
HOUR_TO_WINDOW Analytics: El modelo es acumulativo, por lo que cada hora se evalúa con respecto al modelo para cada usuario en su conjunto, en lugar de tener su propio modelo.
Las horas para entrenar este tipo de modelo se escriben como horas del mundo real. Por ejemplo, 240 horas de datos necesarios significarían que tendrían que transcurrir 10 días o 240 horas del mundo real.
HOUR_TO_HOUR Analytics: estas analíticas crean un modelo para cada usuario para cada una de las horas del día. Por ejemplo, habrá un modelo de 1 PM-2 PM, un modelo de 2 PM-3 PM, etc.
Las horas necesarias para entrenar se escriben como horas para cada modelo. Por ejemplo, 10 horas de datos necesarios significarían que deben transcurrir 10 días o 240 horas del mundo real.

Terminología analítica

minTimeSpan: Este es el número mínimo requerido de horas del modelo para poder entrenar y construir.
ticketMinSampleCounts: Esto difiere de minTimeSpan ya que es el número mínimo de horas que se necesitan para generar alertas. Las analíticas de grupo de homólogos no tienen este parámetro.
Número de roles: el número mínimo de roles y el número máximo de roles son un rango que el modelo prueba para todos y cada uno de los números de ese rango para determinar cuántos clústeres de categorías de bajo nivel deben segmentar los usuarios. El modelo evalúa cada número de clústeres dentro del rango y determina qué número de temas es óptimo.

Los modelos siguientes utilizan análisis de grupo de iguales:

Estos son los parámetros para que se cree un modelo de grupo de homólogos:

Tipo de analítica: Grupo de homólogos
Número mínimo de roles: 2
Número máximo de roles: 13
Nota: el grupo de homólogos aprendido, el grupo de homólogos definido y la distribución de actividad tienen un máximo de 20
Número mínimo de grupos: 5
Número máximo de grupos: 10
Nota: El grupo de homólogos aprendido es el único con un máximo de 20.
Número mínimo de eventos: 10
Cantidad mínima de datos a compilar (mintimespan): 7 días
Cantidad de datos establecida actual para compilar (intervalo de tiempo): 30 días

Los modelos siguientes utilizan el análisis HOUR_TO_WINDOW:

Estos son los parámetros de un modelo HOUR_TO_WINDOW para crear:

Tipo de analítica: HOUR_TO_WINDOW
Cantidad mínima de datos a compilar (intervalo de tiempo mínimo): 240 horas
Cantidad mínima de datos para generar alertas ticketMinSampleCounts ): 240 Horas
Cantidad de datos establecida actual para compilar (intervalo de tiempo): 240 horas
SenseValue: 5

Los modelos siguientes utilizan análisis HOUR_TO_HOUR:

Estos son los parámetros de un modelo HOUR_TO_HOUR para crear:

Tipo de analítica: HOUR_TO_HOUR
Cantidad mínima de datos a compilar (intervalo de tiempo mínimo): 240 horas
Cantidad de datos establecida actual para compilar (intervalo de tiempo): 240 horas
Cantidad mínima de datos para generar alertas ticketMinSampleCounts ): 10 horas (10 días reales)